Question

可能重复：
Best methods to parse HTML with PHP

我知道我应该使用像php domdocument（http://docs.php.net/manual/en/domdocument.loadhtml.php）或tagsoup这样的html解析器。

我如何使用php domdocument在特定标签之间提取文本，例如在h1，h2，h3，p，table之间获取文本？看来我只能用getelementbytagname为一个标签做这个。

这样的任务有更好的html解析器吗？或者我将如何循环php domdocument？

Answer 1

你是对的，使用DomDocument（因为正则表达式不是解析HTML的好主意。为什么？请参阅here和here了解原因）。

getElementsByTagName为您提供DOMNodeList，您可以迭代以获取所有找到的元素的文本。所以，你的代码看起来像：

$document = new \DOMDocument();
$document->loadHTML($html);

$tags = array ('h1', 'h2', 'h3', 'h4', 'p');
$texts = array ();
foreach($tags as $tag)
{
  $elementList = $document->getElementsByTagName($tag);
  foreach($elementList as $element)
  {
     $texts[$element->tagName][] = $element->textContent;
  }
}
return $texts;

请注意，您应该在那里进行一些错误处理，并且您也会丢失文本的上下文，但您可以根据需要编辑此代码。

Answer 2

你可以使用正则表达式。

preg_match_all('#<h1>([^<]*)</h1>#Usi', $html_string, $matches);
foreach ($matches as $match)
{
  // do something with $match
}

Answer 3

我不确定你的来源是什么，所以我添加了一个函数来通过URL获取内容。

$file = file_get_contents($url);

$doc = new DOMDocument();
$doc->loadHTML($file);

$body = $doc->getElementsByTagName('body');
$h1 = $body->getElementsByTagName('h1');

我不确定这一部分：

for ($i = 0; $i < $items->length; $i++) {
    echo $items->item($i)->nodeValue . "\n";
}

或者：

foreach ($items as $item) {
    echo $item->nodeValue . "\n";
}

以下是有关nodeValue的更多信息：http://docs.php.net/manual/en/function.domnode-node-value.php

希望它有所帮助！

php：从网页中提取特定标签之间的文本

3 个答案: