PHP简单的HTML DOM查找

时间:2017-08-25 15:19:09

标签: php html parsing dom

我一直在大部分时间都在使用PHP简单的HTML DOM解析器。我现在想要从没有明确标识符的页面中删除文本到最低级别。

我设法把它归结为:

</pre><pre> </pre><p><strong>De heerlijke Pure Daghappen v</strong><strong>an Bistro Puur</strong></p> <p><strong>Voor de vaste lage prijs van&nbsp;slechts &euro; 8,50 !</strong></p> <p>geserveerd tussen 17:00 uur &amp; 18:30 uur</p> <p>&nbsp;</p> <h2>    <strong>De heerlijke Pure Daghappen voor week 32 zijn:</strong></h2> <p><strong><u>Dinsdag 22 Augustus:</u></strong></p> <p><strong>Gegrilde vakenshaas medaillons met champignonsaus</strong></p> <p>  <strong><u>Woensdag 23 Augustus:</u></strong>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</p> <p><strong>​Gekonfijte scharrelhoen bout met truffelsaus</strong></p> <p>   <strong><u>Donderdag 24 Augustus:&nbsp;</u></strong>&nbsp;&nbsp;</p> <p>&nbsp;&nbsp;&nbsp;&nbsp;<br />  <strong>Gebakken zalmfilet met witte wijnsaus</strong></p> <p>  <strong><u>Vrijdag 25 Augustus;</u></strong></p> <p><strong>​In de oven gebakken kabeljauw filet met pesto saus</strong></p> <p>&nbsp;</p> <p>Alle heerlijke Pure Daghappen worden vergezeld door een aardappelgarnituur en een frisse salade.<br />    Daghap is exclusief bijpassende wijn.</p> <p>&nbsp;</p> <p><strong>Wij verwelkomen u graag!</strong></p> <p><em><strong>Team Bistro Puur</strong></em></p> <p class="rteindent1 rtecenter"><strong>&nbsp;</strong></p> an Bistro Puur

使用

$html = file_get_html('http://www.bistropuur.nl/pure-daghappen');
foreach($html->find('div[class=node-content]') as $e){
    $temp = [$e->innertext];
} 

我随后想要创建一个包含所有不同文本的数组,以允许进一步操作以下内容:

$data = array[Dinsdag 22 Augustus, Gegrilde vakenshaas medaillons met champignonsaus, ....].

我尝试了以下内容:

$html = '</pre><pre> </pre><p><strong>De heerlijke Pure Daghappen v</strong><strong>an Bistro Puur</strong></p> <p><strong>Voor de vaste lage prijs van&nbsp;slechts &euro; 8,50 !</strong></p> <p>geserveerd tussen 17:00 uur &amp; 18:30 uur</p> <p>&nbsp;</p> <h2>    <strong>De heerlijke Pure Daghappen voor week 32 zijn:</strong></h2> <p><strong><u>Dinsdag 22 Augustus:</u></strong></p> <p><strong>Gegrilde vakenshaas medaillons met champignonsaus</strong></p> <p>  <strong><u>Woensdag 23 Augustus:</u></strong>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</p> <p><strong>​Gekonfijte scharrelhoen bout met truffelsaus</strong></p> <p>   <strong><u>Donderdag 24 Augustus:&nbsp;</u></strong>&nbsp;&nbsp;</p> <p>&nbsp;&nbsp;&nbsp;&nbsp;<br />  <strong>Gebakken zalmfilet met witte wijnsaus</strong></p> <p>  <strong><u>Vrijdag 25 Augustus;</u></strong></p> <p><strong>​In de oven gebakken kabeljauw filet met pesto saus</strong></p> <p>&nbsp;</p> <p>Alle heerlijke Pure Daghappen worden vergezeld door een aardappelgarnituur en een frisse salade.<br />    Daghap is exclusief bijpassende wijn.</p> <p>&nbsp;</p> <p><strong>Wij verwelkomen u graag!</strong></p> <p><em><strong>Team Bistro Puur</strong></em></p> <p class="rteindent1 rtecenter"><strong>&nbsp;</strong></p> an Bistro Puur';
$html = str_get_html($html); // create a html DOM object again
foreach($html->find('strong') as $e){ // search for <strong> tag
$temp[] = [$e->innertext]; // get the inside of the html tag
}
print_r($temp);

Array
(
    [0] => <pre> </pre><p><strong>De heerlijke Pure Daghappen v</strong><strong>an Bistro Puur</strong></p> <p><strong>Voor de vaste lage prijs van&nbsp;slechts &euro; 8,50 !</strong></p> <p>geserveerd tussen 17:00 uur &amp; 18:30 uur</p> <p>&nbsp;</p> <h2>   <strong>De heerlijke Pure Daghappen voor week 32 zijn:</strong></h2> <p><strong><u>Dinsdag 22 Augustus:</u></strong></p> <p><strong>Gegrilde vakenshaas medaillons met champignonsaus</strong></p> <p>  <strong><u>Woensdag 23 Augustus:</u></strong>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</p> <p><strong>​Gekonfijte scharrelhoen bout met truffelsaus</strong></p> <p>   <strong><u>Donderdag 24 Augustus:&nbsp;</u></strong>&nbsp;&nbsp;</p> <p>&nbsp;&nbsp;&nbsp;&nbsp;<br />  <strong>Gebakken zalmfilet met witte wijnsaus</strong></p> <p>  <strong><u>Vrijdag 25 Augustus;</u></strong></p> <p><strong>​In de oven gebakken kabeljauw filet met pesto saus</strong></p> <p>&nbsp;</p> <p>Alle heerlijke Pure Daghappen worden vergezeld door een aardappelgarnituur en een frisse salade.<br />    Daghap is exclusief bijpassende wijn.</p> <p>&nbsp;</p> <p><strong>Wij verwelkomen u graag!</strong></p> <p><em><strong>Team Bistro Puur</strong></em></p> <p class="rteindent1 rtecenter"><strong>&nbsp;</strong></p> 
    [1] => Array
        (
            [0] => De heerlijke Pure Daghappen v
        )

    [2] => Array
        (
            [0] => an Bistro Puur
        )

    [3] => Array
        (
            [0] => Voor de vaste lage prijs van&nbsp;slechts &euro; 8,50 !
        )

    [4] => Array
        (
            [0] => De heerlijke Pure Daghappen voor week 32 zijn:
        )

    [5] => Array
        (
            [0] => <u>Dinsdag 22 Augustus:</u>
        )

    [6] => Array
        (
            [0] => Gegrilde vakenshaas medaillons met champignonsaus
        )

    [7] => Array
        (
            [0] => <u>Woensdag 23 Augustus:</u>
        )

    [8] => Array
        (
            [0] => ​Gekonfijte scharrelhoen bout met truffelsaus
        )

    [9] => Array
        (
            [0] => <u>Donderdag 24 Augustus:&nbsp;</u>
        )

    [10] => Array
        (
            [0] => Gebakken zalmfilet met witte wijnsaus
        )

    [11] => Array
        (
            [0] => <u>Vrijdag 25 Augustus;</u>
        )

    [12] => Array
        (
            [0] => ​In de oven gebakken kabeljauw filet met pesto saus
        )

    [13] => Array
        (
            [0] => Wij verwelkomen u graag!
        )

    [14] => Array
        (
            [0] => Team Bistro Puur
        )

    [15] => Array
        (
            [0] => &nbsp;
        )

)

问题:

  • 为什么我在array[0]再次获取整个html字符串?
  • 如何快速删除剩余的<u>..</ul>代码?
  • 我获得了15个嵌套数组。我可以使用这些但是可以从一开始就删除嵌套吗?
  • 我能以更有效的方式完成所有这些吗?

我更新了代码(基于彼得的反馈):

$html = str_get_html($str);
foreach($html->find('strong') as $e){
    $temp[] = $e->plaintext;
}

这为我提供了包含所有数据的正确的普通数组。太好了!

2 个答案:

答案 0 :(得分:1)

  

为什么我在数组[0]处再次获取整个html字符串?

可能是因为您的代码中仍然包含以下行,请使用包含单个元素$temp的数组初始化$e->innertext - 变量。

$temp = [$e->innertext];

使用$tempforeach之前初始化$temp = [];变量。

  

如何快速删除剩余的..标签?

使用$e->plaintext代替$e->innertext(请务必阅读documentation

  

我获得了15个嵌套数组。我可以使用这些但是可以从一开始就删除嵌套吗?

因为你告诉它每次创建一个数组(你为什么这样做?):

$temp[] = [ $e->innertext ];
          ^ array open    ^ array-close

改为使用$temp[] = $e->innertext;(或根据之前的plaintext

答案 1 :(得分:1)

不知道你是如何包含html DOM的,但是使用这个脚本:

<?php
include "simple_html_dom.php";
$html = '</pre><pre> </pre><p><strong>De heerlijke Pure Daghappen v</strong><strong>an Bistro Puur<$
$html = str_get_html($html); // create a html DOM object again
foreach($html->find('strong') as $e){ // search for <strong> tag
$temp[] = $e->plaintext; // get the inside of the html tag
}
var_dump_pre($temp);


function var_dump_pre($mixed = null) {
  echo '<pre>';
  print_r($mixed);
  echo '</pre>';
  return null;
}
?>

...将产生此输出:

Array
(
    [0] => De heerlijke Pure Daghappen v
    [1] => an Bistro Puur
    [2] => Voor de vaste lage prijs van slechts € 8,50 !
    [3] => De heerlijke Pure Daghappen voor week 32 zijn:
    [4] => Dinsdag 22 Augustus:
    [5] => Gegrilde vakenshaas medaillons met champignonsaus
    [6] => Woensdag 23 Augustus:
    [7] => ​Gekonfijte scharrelhoen bout met truffelsaus
    [8] => Donderdag 24 Augustus: 
    [9] => Gebakken zalmfilet met witte wijnsaus
    [10] => Vrijdag 25 Augustus;
    [11] => ​In de oven gebakken kabeljauw filet met pesto saus
    [12] => Wij verwelkomen u graag!
    [13] => Team Bistro Puur
    [14] =>  
)