php - PHP 中的 DOMDocument

Question

我刚刚开始阅读有关 DOM 的文档和示例，以便抓取和解析文档。

例如，我有部分文档如下所示:

    <div id="showContent">
    <table>
    <tr>
        <td>
         Crap
        </td>
    </tr>
<tr>
          <td width="172" valign="top"><a href="link"><img height="91" border="0" width="172" class="" src="img"></a></td>
          <td width="10">&nbsp;</td>
          <td valign="top"><table cellspacing="0" cellpadding="0" border="0">
              <tbody><tr>
                <td height="30"><a class="px11" href="link">title</a><a><br>
                    <span class="px10"></span>
                </a></td>
              </tr>
              <tr>
                <td><img height="1" width="580" src="crap"></td>
              </tr>
              <tr>
                <td align="right">
                    <a href="link"><img height="16" border="0" width="65" src="/buy"></a>
                </td>
              </tr>
              <tr>
                <td valign="top" class="px10">
                    <p style="width: 500px;">description.</p>
                </td>
              </tr>
          </tbody></table></td>
        </tr>
    <tr>
        <td>
Crap
        </td>
    </tr>
    <tr>
        <td>
         Crap
        </td>
    </tr>
    </table>
    </div>

我正在尝试使用下面的代码来获取所有的tr标签，并分析其中是否有废话或信息:

$dom = new DOMDocument();
@$dom->loadHTML($html);

$xpath = new DOMXPath($dom);


$tags = $xpath->query('.//div[@id="showContent"]');
foreach ($tags as $tag) {
    $string="";
    $string=trim($tag->nodeValue);
    if(strlen($string)>3) {
        echo $string;
        echo '<br>';
    }
}

但是我得到的只是没有标签的剥离字符串，例如:

Crap

Crap
Title
Description

但我想得到:

<tr>
   <td>Crap</td>
</tr>
<tr>
   <a href="link">title</a>
</tr>

如何保留html节点(标签)？

Answer 1

如果你想使用 DOM，你必须理解这个概念。 DOM 文档中的所有内容，包括 DOMDocument，都是一个节点。

DOMDocument 是节点的层次树结构。它从一个根节点开始。该根节点可以有子节点，所有这些子节点都可以有自己的子节点。基本上，DOMDocument 中的所有内容都是某种节点类型，无论是元素、属性还是文本内容。

          HTML                               Legend: 
         /    \                              UPPERCASE = DOMElement
       HEAD  BODY                            lowercase = DOMAttr
      /          \                           "Quoted"  = DOMText
    TITLE        DIV - class - "header"
     |             \
"The Title"        H1
                    |
           "Welcome to Nodeville"

上图显示了一个带有一些节点的 DOMDocument。有一个带有两个子元素(HEAD 和 BODY)的根元素 (HTML)。连接线称为轴。如果您沿着轴到 TITLE 元素，您会看到它有一个 DOMText 叶。这很重要，因为它说明了一个经常被忽视的事情:

<title>The Title</title>

不是一个，而是两个节点。带有 DOMText 子元素的 DOMElement。同样，这个

<div class="header">

实际上是三个节点:带有 DOMAttr 的 DOMElement 和 DOMText。因为所有这些都从 DOMNode 继承了它们的属性和方法，所以熟悉 DOMNode class. 是必不可少的。

实际上，这意味着您获取的 DIV 链接到文档中的所有其他节点。您可以在任何时候一直到根元素或向下到叶子。这一切都在那里。您只需查询或遍历文档以获取所需信息。

您是通过迭代 DIV 的 childNodes 还是使用 getElementByTagName() 或 XPath 来做到这一点取决于您。您只需要了解您使用的不是原始 HTML，而是代表整个 HTML 文档的节点。

如果您在从文档中提取特定信息方面需要帮助，则需要说明您希望从中获取哪些信息。例如，您可以询问如何从表中获取所有链接，然后我们可以回答如下:

$div = $dom->getElementById('showContent');
foreach ($div->getElementsByTagName('a') as $link) 
{
    echo $dom->saveXML($link);
}

但除非您更具体，否则我们只能猜测哪些节点可能是相关的。

如果您需要更多关于如何使用 DOM 的示例和代码片段，请浏览我之前对相关问题的回答:

• https://stackoverflow.com/search?q=user%3A208809+DOM

到现在为止，对于每个基本到中等的 DOM 用例，都应该有一个片段。