使用PHP和XPath进行屏幕刮擦

StackOverflow https://stackoverflow.com/questions/420304

  •  05-07-2019
  •  | 
  •  

题

有没有人知道在使用XPath提取数据时如何维护文本格式？

我目前正在提取所有块

<div class="info"> <h5>title</h5> text <a href="somelink">anchor</a> </div>

来自一个页面。问题是当我访问nodeValue时，我只能获得纯文本。如何捕获内容，包括格式化，即h5和代码中的静止？

提前致谢。我搜索了Google上可以想象的每一个组合，但没有运气。

有帮助吗？

解决方案

如果你将它作为DomDlement $元素作为DomDlement $元素的一部分，那么你将需要做类似的事情：

$string = $dom->saveXml($element);

元素的NodeValue实际上是文本值，而不是结构化XML。

其他提示

我想补充一下Ciaran McNulty的回答

您可以在SimpleXml中执行相同的操作，如：

$simplexml->node->asXml(); // saveXml() is now an alias

并扩展报价

  

元素的NodeValue实际上是文本值，而不是结构化XML。

您可以按如下方式考虑您的节点：

<div class="info">
    <__toString()> </__toString()>
    <h5>title</h5>
    <__toString()> text </__toString()>
    <a href="somelink">anchor</a>
    <__toString()> </__toString()>
</div>

对$element->nodeValue的调用类似于调用$element->__toString()，它只能获取__toString（）元素。我创建的虚构__toString()正式定义为 XML_TEXT_NODE 。

XPath语言旨在嵌入其他语言（例如DOM API，XSLT，XQuery，...）并且不能单独使用。原始问题没有说明所需的嵌入是什么。

在 XSLT 中嵌入XPath时，以下是一个非常简单而简短的解决方案

此转化：

<xsl:stylesheet version="1.0"
 xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output omit-xml-declaration="yes"/>

    <xsl:template match="div[@class='info']">
       <xsl:copy-of select="."/>
    </xsl:template>
</xsl:stylesheet>

应用于此xml文档：

<html>
    <body>
        <div class="info">
            <h1>title1</h1> text1
            <a href="somelink1">anchor1</a>
        </div>
        Something else here
        <div class="info">
            <h2>title2</h2> text2
            <a href="somelink2">anchor2</a>
        </div>
        Something else here
        <div class="info">
            <h3>title3</h3> text3
            <a href="somelink3">anchor3</a>
        </div>
    </body>
</html>

产生想要的结果：

<div class="info">
  <h1>title1</h1> text1
    <a href="somelink1">anchor1</a>
</div>
        Something else here
<div class="info">
  <h2>title2</h2> text2
  <a href="somelink2">anchor2</a>
</div>
        Something else here
<div class="info">
  <h3>title3</h3> text3
  <a href="somelink3">anchor3</a>
</div>

您需要确保您的xpath查询在<div class="info">处'结束'。但是，由于XPath的工作方式，您仍然可以在单独的节点中获取所有“子标签”。你只需要连接它们。

你也可以使用XPath的加入功能，但我没有使用它，我不能说你可能会遇到什么问题。

div/node()应该这样做。

示例输入：

<div class="info">
  some <h5>title</h5> text <a href="somelink">anchor</a> more text
</div>

示例XSLT样式表：

<?xml version="1.0" encoding="utf-8"?>
<xsl:stylesheet version="2.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">

<xsl:template match="/">
        <newtag>
                <xsl:copy-of select="div/node()"/>
        </newtag>
</xsl:template>

</xsl:stylesheet>

示例输出：

<?xml version="1.0" encoding="utf-8"?>
<newtag> some<h5>title</h5> text <a href="somelink">anchor</a> more text</newtag>
许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top