加载和解析外部 HTML 的一部分答案

【问题标题】：Load and Parse a portion of External HTML加载和解析外部 HTML 的一部分
【发布时间】：2012-09-16 21:53:03
【问题描述】：

我想使用 php 从外部网站提取（解析）部分 HTML 文档

例如：为了从 yahoo 中提取新闻，我尝试使用来自 sourceforge 的 SimpleHTML DOM Parser

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
include('simple_html_dom.php');  
$html=new simple_html_dom();
$html->load_file($url);
$xxx=$html->find('title')->innertext; 
echo $xxx;
?>

致命错误：在非对象上调用成员函数 find() /home/a1234bc/public_html/simple_html_dom.php 在第 1113 行

然后我尝试回显加载的html

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
include('simple_html_dom.php');  
$html=new simple_html_dom();
$html->load_file($url);
echo $html;
?>

现在我明白了：

致命错误：在非对象上调用成员函数 innertext() /home/a1234bc/public_html/simple_html_dom.php 在第 1688 行

我也尝试通过 file_get_contents() 使用 DOMDocument()

<?php
$url="http://news.yahoo.com/einsteins-brain-now-interactive-ipad-app-071441969.html";
$content = file_get_contents($url);
// echo $content works perfect

$doc = new DOMDocument();
$doc->loadHTML($content);
$jjj=$doc->getElementsByTagName('title')->item(0);
echo $jjj;
?>

这会引发一长串警告。所以让我单独复制粘贴前 10 个

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef：实体中没有名称，行：166 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：166 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef：实体中没有名称，行：256 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：256 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: 标记 fb：实体中的登录按钮无效，行：256 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：275 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：287 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：292 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: 期待 ';'在实体中，行：311 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

警告：DOMDocument::loadHTML() [domdocument.loadhtml]: 属性实体中重新定义的类，行：325 in /home/a1234bc/public_html/simple_html_dom.php 在第 37 行

有人可以指点我正确的方向吗？

【问题讨论】：

标签： dom

【解决方案1】：

我在使用手册中的面向对象方式时遇到了同样的错误：

// Create a DOM object
$html = new simple_html_dom();

// Load HTML from a string
$html->load('<html><body>Hello!</body></html>');

// Load HTML from a URL 
$html->load_file('http://www.google.com/');

// Load HTML from a HTML file 
$html->load_file('test.htm');

当我切换到手册中所示的快速方式时，摆脱了错误并让我的脚本正常工作：

// Create a DOM object from a string
$html = str_get_html('<html><body>Hello!</body></html>');

// Create a DOM object from a URL
$html = file_get_html('http://www.google.com/');

// Create a DOM object from a HTML file
$html = file_get_html('test.htm');

在这之后$html->find 工作得很好！

PHP Simple HTML DOM Parser 手册可以在这里找到：http://simplehtmldom.sourceforge.net/manual.htm

希望这会有所帮助！

【讨论】：

【解决方案2】：

DOMDocument/SimpleXML 是为解析 XML 而不是 HTML 而设计的。您需要使用 file_get_contents 将 HTML 转换为字符串，然后使用字符串操作函数来获取您需要的部分。 preg_match_all 将是一个不错的起点。

【讨论】：

OP 使用“PHP Simple HTML DOM Parser”并链接到它。正如您可能在常见问题解答中看到的那样，You can't parse HTML with regex