DOMXpath查询/评估的xpath太长,什么都不返回

时间:2010-11-04 13:42:51

标签: php xpath domxpath

我使用PHP检索给定URL和XPATH的内容。 我使用DOMDocument / DOMXPath(带查询或评估)。

对于小xpath,我获得了正确的结果,但是对于更长的xpath,它不起作用。 (而且这个xpath似乎很好(我用Xpather(firefox插件)获取它们并用YQL重新测试它们。)

你对这个奇怪的麻烦有什么建议吗?

代码示例:

$doc = new DOMDocument();
$myXMLString = file_get_contents('http://stackoverflow.com/questions/4097230/too-long-xpath-with-domxpath-query-evaluate-return-nothing');
@$doc->loadHTML($myXMLString); //@ to suppress warnings 
                               //(good for not ending markup)
$xpath = new DOMXPath($doc);

$fullPath ="/html/body/small/path"; //it works
//$fullPath = "/html/body/full/path/with/lot/of/markup";//does not works
$entries = $xpath->query($fullPath);
//or ->evalutate($fullPath) (same behaviour)
//$entries return DOMNodeList (empty for a long path query, 
//                             correct for a small path query)

我使用属性限制进行测试,但似乎没有改变(使用小xpath工作,时间更长,不能再工作)

示例: 对于当前页面:

$fullPath = "/html
              /body
               /div[4]
                /div[@id='content']
                 /div[@id='question-header']
                  /h1
                   /a";//works (retrieve the question title)
$fullPath = "/html
              /body
               /div[4]
                /div[@id='content']
                 /div[@id='mainbar']
                  /div[@id='question']
                   /table
                    /tbody
                     /tr[2]
                      /td[2]
                       /div[@id='comments-4097230']
                        /table
                         /tbody
                          /tr[@id='comment-4408626']
                           /td[2]
                            /div
                             /a"; //does'nt work 
                                  //(should retrieve 'gaby' from comment)

编辑:

我使用SimpleXML lib进行测试,并且我有完全相同的行为(小查询的结果很好,长查询没有任何结果)。


编辑2:

我还通过删除一些第一个元素来剪切最长的xpath并且它可以工作。 顺便说一句,我真的不明白为什么一个完整正确的xpath不起作用。

1 个答案:

答案 0 :(得分:3)

让我们一步一步地完成这个步骤:

第1步:复制错误。

在验证XPath确实不会返回结果之后,我写了一个小脚本来看看XPath在断开之前会有多深

foreach (explode('/', $fullPath) as $segment) {
    $xpath .= trim($segment);
    echo '-------------------------------------------', PHP_EOL,
         'Trying: ', $xpath, PHP_EOL,
         '-------------------------------------------', PHP_EOL;
    echo $xp->evaluate("string($xpath)"), PHP_EOL;
    $xpath .= '/';
}

它将返回结果的最后一件事是

/html/body/div[4]/div[@id='content']/div[@id='mainbar']/div[@id='question']/table

第2步:检查标记

所以我检查了DOMDocument::saveHTML()返回的标记,看看它是什么样子,没有<tbody> (为了便于阅读而重新格式化)

<div id="question">
    <div class="everyonelovesstackoverflow" id="adzerk1"></div>
        <table>
            <tr><td class="votecell">

然后我检查了这个页面,看看是不是它扔掉了它或者它是否真的不存在。它不存在。显然,Firebug会插入它,这可以解释为什么你用XPather获得结果(但不是为什么你用YQL得到它):

Screenshot showing page source and apparently bugged Firebug view

第3步:校对和结论

我从XPath中删除了<tbody>并重新编写了脚本。没问题。返回“Gaby”。

虽然我首先怀疑Firebug中有一个错误,但Alejandro评论说这也会发生在IE的DeveloperTools中。然后我怀疑这是由JavaScript添加但无法验证。经过一些研究,亚历杭德罗向我指出Why does firebug add <tbody> to <table>? - 它实际上既不是Firebug也不是JavaScript,但浏览器本身就是。

所以修改我的结论:

不要信任您在浏览器中看到的标记,因为它可能会被浏览器或其他技术修改。 DOM只会下载直接提供的内容。如果你再次遇到类似的问题,你现在知道如何处理它。


其他一些附注

除非您需要在将标记提供给DOM之前修改标记,否则您不必使用file_get_contents()来加载内容。您可以使用DOM的loadHTMLFile()

$dom->loadHTMLFile('http://www.example.com/foo.htm');

另外,抑制错误的正确方法是告诉libxml使用它的内部错误处理程序。但是,您只需清除它们,而不是处理错误。这只会影响与libxml相关的错误,例如:解析错误(与所有PHP错误相反):

libxml_use_internal_errors(TRUE);
libxml_clear_errors();

最后,xPath查询可以与上下文节点相关联。因此,虽然长XPath在查找时间方面是有效的,但您可以简单地使用getElementById()来获取最深的已知节点,然后对其使用XPath。

换句话说:

libxml_use_internal_errors(TRUE);
$dom = new DOMDocument;
$dom->loadHTMLFile('http://www.example.com/foo.htm');
libxml_clear_errors();
echo $xp->evaluate(
    'string(td[2]/div/a)', 
    $dom->getElementById('comment-4408626'));

也将返回“Gaby”。