Question

我试图制作一个＆＃34; API＆＃34;对于我不拥有的网站，并尝试从页面中删除信息，但是我已经尝试过关于stackoverflow和其他有关DOM和正则表达式的位置的建议，这通常需要一个上下文或特定的div标签，看来这个网站没有使用，只使用通用网站，有没有办法可以从网站上删除信息？

HTML我试图抓住的一些例子：

<div class="col-md-6">
 <strong style="font-weight:500;">Date Created</strong>
</div>
<div class="col-md-6">
  03-12-2016 4:08PM
div>

或

<div class="col-xs-6 col-md-2 text-center">
  <font style="font-size:22px;">
    Feb 12, 2016
  </font>
   <br />
<div style="color:#999;">join date</div>
</div>

我如何能够抓取创建日期（实际日期）和加入日期？我在网络编程方面不是那么先进，所以我找不到任何其他内容，我通常只使用PHP。

Answer 1

你的样本很差，所以这只是一个展示道路的例子。

基于此HTML示例：

<html>
    <head><title>Test</title></head>
    <body>
        <div class="col-md-6">
            <strong style="font-weight:500;">Date Created</strong>
        </div>
        <div class="col-md-6">
            03-12-2016 4:08PM
        </div>
        <div class="col-xs-6 col-md-2 text-center">
            <font style="font-size:22px;">
            Feb 12, 2016
            </font>
            <br />
            <div style="color:#999;">join date</div>
        </div>
    </body>
</html>

我们使用DOMDocument和DOMXPath：

$dom = new DOMDocument();
libxml_use_internal_errors( 1 );
$dom->loadHTML( $html );
$xpath = new DOMXPath( $dom );

然后我们搜索加入日期的正确路径：

$nodes = $xpath->query( '//div[@class="col-xs-6 col-md-2 text-center"]/div[.="join date"]/preceding-sibling::font' );

我们输出其节点值：

echo trim( $nodes->item(0)->nodeValue );

结果：

2016年2月12日

XPath是一种使用短语法处理XML / HTML文档部分的语言，用于复杂搜索。

上述路径意味着：

//                                           Following pattern no matter where they are in the document
div[@class="col-xs-6 col-md-2 text-center"]  <div> with class "col-xs-6 col-md-2 text-center"
/div[.="join date"]                          <div> with “join date” as node value
/preceding-sibling::font                     preceding sibling with tag <font>

因此，您必须在HTML中搜索最佳的独特模式，以隔离所需的节点并编写适当的模式以匹配它。

Answer 2

如果您想要抓取的数据没有明显一致的格式，那就不容易了。你需要某种聪明才能找到日期，也许文本“加入日期”在距日期文本n个字符的距离内（所以你可以假设它是相关的，因此你有他们的加入日期）。

制作可靠的工具并不容易。

如何刮掉＆＃34;模糊＆＃34;网站上的信息？

2 个答案: