如何在不丢失标签的情况下抓取网页数据

Question

我正在尝试使用php和dom xpath来抓取网页数据。当我将$ node-＆gt; nodeValue存储到我的数据库中时，或者即使我尝试回显它，也会丢失所有标记，如<p>和<br>。所以我得到所有的串联连接。如何解决这个问题

Answer 1

如果您有一个节点，并且您需要所有内容，则可以使用此功能：

function innerHTML(DOMNode $node)
{
  $doc = new DOMDocument();
  foreach ($node->childNodes as $child) {
    $doc->appendChild($doc->importNode($child, true));
  }
  return $doc->saveHTML();
}

Answer 2

如果您正在浏览DOM，则很可能不再有标签可供查看。标签现在是DOM中的节点 - 标签中包含的原始内容是您以“字符串形式”访问的全部内容。当然，您可以使用节点信息来重建标签，但它们不会是原始标签（例如，您必须选择<BR>或<br> - 您将不知道哪个网站最初有）。如果你想从get go中获取原始标记，那么获取你所做的GET / POST返回的原始字节流;不要将其解析为DOM树。