我们有一个古老的(内部)静态信息网站。我们将用更好的东西来替换它,因此我需要获取所有信息。我过去使用正则表达式来完成此操作,但最近我看到了一些文章,指出使用正则表达式从HTML中解析信息是邀请克苏鲁来到这个领域。
因此,我决定学习一些新技巧,重新开始并使用DOM方式处理它。 我需要的HTML部分如下:
因此,我决定学习一些新技巧,重新开始并使用DOM方式处理它。 我需要的HTML部分如下:
<table id="articles">
<tr>
<th>
<a href='articles/aa123.html'><img src="/iamges/aa123.jpg" alt="some article"></a>
<br />short description
</th>
<td>
<table class='details'>
<tr><th><a href='articles/aa123.html'>Some Article</a></th></tr>
<tr><th>Type:</th><td>article type</td></tr>
<tr><th>Price:</th><td>€ 99</td></tr>
<tr><th>Manufacturer:</th><td>Some Company</td></tr>
<tr><th>Warehouse:</th><td>x</td></tr>
</table>
</td>
</tr>
</table>
到目前为止,我得到了这个:
$dom = new DOMDocument();
@$dom->loadHTMLFile ($file);
$xpath = new DOMXPath($dom);
$query = "/html/body/table[@id='articles']//th"; //catch all TH's
$data = $xpath->evaluate($query);
我在这里遇到了困难。我知道返回的 TH 元素的所有内容都在 ChildNodes 中,但是我很难获取这些值。我需要详细页面的 URL 和 Price 列的值。
我该如何提取它们?
目前我想到了以下方法:
$query = '//table[@class="details"]//td';
$data= $xpath->evaluate($query);
$c = $ths->length;
for ($i = 0; $i < $c; $i++) {
echo htmlentities($data->item($i)->nodeValue);
}
但是这只显示TD中的文本值。当内容是链接时,它只显示链接标题。而不是URL。
更新 感谢Fab的建议,我取得了一些进展。目前我得到了以下内容:
$tables = $xpath->query('//table[@class="details"]');
foreach($tables as $table) {
$url = $xpath->evaluate('//th/a/@href', $table);
$articleName= $xpath->evaluate('//th/a', $table);
$Manufacturer= $xpath->evaluate('//th[text()="Manufacturer:"]/../td', $table);
echo 'articleName:' . $articleName . ' <br />';
echo 'Manufacturer:' . $Manufacturer. ' <br />';
echo 'url:' . $url. ' <br />';
echo '<br />';
}
但是出于某些原因,它总是显示第一篇文章的数据(对于页面上有多少篇文章,就重复显示多少次)。就好像“foreach”语句总是返回找到的第一个表格一样。有什么建议吗?