使用PHP从网页中提取特定标签之间的文本

Question

可能与此内容重复：
使用 PHP 解析 HTML 的最佳方法

我了解到应该使用像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提取特定标签之间的文本，例如获取h1、h2、h3、p、table之间的文本？似乎我只能使用getelementbytagname来做到这一点，而且只能针对一个标签。

是否有更好的html解析器可以完成这个任务？或者我应该如何遍历php domdocument？

- giorgio79

Answer 1

您是正确的，应使用DomDocument（因为正则表达式不适用于解析HTML。为什么？请参见此处和此处了解原因）。 getElementsByTagName给出一个DOMNodeList，您可以迭代遍历以获取所有找到元素的文本。所以，您的代码可能会像这样：

$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，您可能需要一些错误处理，并且您还将失去文本的上下文，但是您可以根据需要编辑此代码。

- PatrikAkerstrand

---

谢谢，看起来不错。我在一些网页上尝试了一下，比如yahoo.com（只是添加了 $html = file_get_contents("http://yahoo.com");），但总是失败并给出可怕的 domdocument.loadhtml</a>]: htmlParseEntityRef: expecting ';' in Entity 我想我得去检查tagsoup或simplehtmldom了。:) 算法看起来不错。 - giorgio79

Answer 2

你可以使用正则表达式来实现。

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

- Alexandre Dieulot

---

请勿使用正则表达式来解析此内容！正则表达式在解析HTML时不可靠。 - GordonM

Answer 3

我不确定你的来源是什么，所以我添加了一个函数通过URL获取内容。

$file = file_get_contents($url);

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

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

我不确定这部分内容：

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

或者：

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

这里有关于nodeValue的更多信息：http://docs.php.net/manual/en/function.domnode-node-value.php

希望能对您有所帮助！

- jnbdz