Question

我正在尝试将显示为here的表解析为多维php数组。我使用以下代码但由于某种原因它返回一个空数组。在网上搜索之后，我找到了this site，这是我从中获得parseTable（）函数的地方。通过阅读该网站上的评论，我发现该功能完美无缺。所以我假设我从file_get_contents（）获取HTML代码的方式有问题。对我做错了什么的想法？

<?php

$data = file_get_contents('http://flow935.com/playlist/flowhis.HTM');

function parseTable($html)
{
  // Find the table
  preg_match("/<table.*?>.*?<\/[\s]*table>/s", $html, $table_html);

  // Get title for each row
  preg_match_all("/<th.*?>(.*?)<\/[\s]*th>/", $table_html[0], $matches);
  $row_headers = $matches[1];

  // Iterate each row
  preg_match_all("/<tr.*?>(.*?)<\/[\s]*tr>/s", $table_html[0], $matches);

  $table = array();

  foreach($matches[1] as $row_html)
  {
    preg_match_all("/<td.*?>(.*?)<\/[\s]*td>/", $row_html, $td_matches);
    $row = array();
    for($i=0; $i<count($td_matches[1]); $i++)
    {
      $td = strip_tags(html_entity_decode($td_matches[1][$i]));
      $row[$row_headers[$i]] = $td;
    }

    if(count($row) > 0)
      $table[] = $row;
  }
  return $table;
}

$output = parseTable($data);

print_r($output);

?>

我希望我的输出数组看起来像这样：

1
--> 11:33AM
--> DEV
--> IN THE DARK

2
--> 11:29AM
--> LIL' WAYNE
--> SHE WILL

3
--> 11:26AM
--> KARDINAL OFFISHALL
--> NUMBA 1 (TIDE IS HIGH)

Answer 1

请勿使用regexp来解析HTML！而是让HTML解析器库为您担心标记的结构。

我建议您查看Simple HTML DOM（http://simplehtmldom.sourceforge.net/）。它是专门为帮助解决PHP中的这种Web抓取问题而编写的库。通过使用这样的库，您可以用更少的代码行编写抓取工具，而无需担心创建工作正则表达式。

原则上，使用Simple HTML DOM，您只需编写类似的内容：

$html = file_get_html('http://flow935.com/playlist/flowhis.HTM');
foreach($html->find('tr') as $row) {
   // Parse table row here
}

然后可以将其扩展为以某种格式捕获您的数据，例如创建艺术家数组和相应的标题：

<?php
require('simple_html_dom.php');

$table = array();

$html = file_get_html('http://flow935.com/playlist/flowhis.HTM');
foreach($html->find('tr') as $row) {
    $time = $row->find('td',0)->plaintext;
    $artist = $row->find('td',1)->plaintext;
    $title = $row->find('td',2)->plaintext;

    $table[$artist][$title] = true;
}

echo '<pre>';
print_r($table);
echo '</pre>';

?>

我们可以看到，这个代码可以（通常）更改为以任何其他方式重新格式化数据。

Answer 2

我尝试了simple_html_dom，但是在较大的文件和重复调用函数时，我在php 5.3（GAH）上获得了zend_mm_heap_corrupted。我也尝试了preg_match_all（但是这已经在一个更大的文件（5000）行的html上失败了，这只是我的HTML表格的大约400行。

我正在使用它，它的工作速度快，而不是随地吐痰错误。

$dom = new DOMDocument();  

//load the html  
$html = $dom->loadHTMLFile("htmltable.html");  

  //discard white space   
$dom->preserveWhiteSpace = false;   

  //the table by its tag name  
$tables = $dom->getElementsByTagName('table');   


    //get all rows from the table  
$rows = $tables->item(0)->getElementsByTagName('tr');   
  // get each column by tag name  
$cols = $rows->item(0)->getElementsByTagName('th');   
$row_headers = NULL;
foreach ($cols as $node) {
    //print $node->nodeValue."\n";   
    $row_headers[] = $node->nodeValue;
}   

$table = array();
  //get all rows from the table  
$rows = $tables->item(0)->getElementsByTagName('tr');   
foreach ($rows as $row)   
{   
   // get each column by tag name  
    $cols = $row->getElementsByTagName('td');   
    $row = array();
    $i=0;
    foreach ($cols as $node) {
        # code...
        //print $node->nodeValue."\n";   
        if($row_headers==NULL)
            $row[] = $node->nodeValue;
        else
            $row[$row_headers[$i]] = $node->nodeValue;
        $i++;
    }   
    $table[] = $row;
}   

var_dump($table);

这段代码对我很有用。原始代码的示例在这里。

http://techgossipz.blogspot.co.nz/2010/02/how-to-parse-html-using-dom-with-php.html

使用file_get_contents将html表解析为php数组

2 个答案: