在 php 中解析 HTML 表格答案

【问题标题】：Parse HTML table in php在 php 中解析 HTML 表格
【发布时间】：2013-04-24 02:34:01
【问题描述】：

我有一个数据库表，它在一列中包含以下格式的数据。

<table cellspacing="1" cellpadding="0" border="0" width="395">
    <tbody>
        <tr>
            <td valign="top" width="135">
                <p>Calories (kcal)<br>Energy (kj)<br>Fats<br>Carbohydrates<br>Protein<br></p>
            </td>
            <td valign="top">
                <p>178<br>748<br>0 g<br>9.6 g<br>0.1 g<br></p>
            </td>
            <td valign="top" width="135">
                <p>Fiber<br>Sugars<br>Cholesterol<br>Sodium<br>Alcohol<br></p>
            </td>
            <td valign="top">
                <p>0 g<br>-<br>0 mg<br>-<br>26.2 g<br></p>
            </td>
        </tr>
    </tbody>
</table>

我想创建另一个数据库，其中有 Calories、Fats、Carbohydrates 和 Protein 的单独列。为了分离这些数据，我需要从旧数据库中获取数据并像这样解析它。

$qry = "SELECT * FROM table";
$res = $mysqli->query($qry);

// new dom object
$dom = new DOMDocument();

while ($row = $res->fetch_assoc()) {

    $html = @$dom->loadHTML($row['columndata']);
    //the table by its tag name
    $tables = $dom->getElementsByTagName('table');
    $rows = $tables->item(0)->getElementsByTagName('tr');

    foreach ($rows as $row)
    {
        $cols = $row->getElementsByTagName('td');
        echo $cols->item(0)->nodeValue.'<br />';
        echo $cols->item(1)->nodeValue.'<br />';
    }
}

这会输出以下内容：

Calories (kcal)Energy (kj)FatsCarbohydratesProtein  
1787480 g9.6 g0.1 g

我无法分离输出字符串以在新数据库中具有正确的列值。

例如，我想在Calories 列中具有值178，在Fats 列中具有0 g 等。

【问题讨论】：

parse the data based on the HTML tag 是什么意思？？
你想要什么输出？
nodeValue 删除所有标签，你想要像 Javascript 的 innerHTML 这样的东西。 DOMDocument API 没有这个，你需要自己写。在 php.net/manual/en/class.domelement.php 的 cmets 中有一个简单的 get_inner_html 函数
我修改了问题，添加了我需要的作为示例

标签： php dom html-parsing html-parser

【解决方案1】：

尝试遍历P 元素的子节点：

foreach ($rows as $row)
{
    $paragraphs = $row->getElementsByTagName('p');
    //ensure that all the text between <br> is in one text node
    $paragraphs->item(0)->normalize();
    foreach($paragraphs->item(0)->childNodes as $node) {
        if ($node->nodeType == XML_TEXT_NODE) {
            echo $node->nodeValue . '<br/>;
        }
    }

}

在p 元素上调用 normalize() 很重要，以确保br 元素之间的文本每个都在一个文本节点中，并且不分开，例如<p>Calories (kcal)<br>Energy (kj)<br>...</p> 将具有@987654326 的文本节点@ 和 Energy (kj)，而不是 Cal、ories (、kcal) 等等，它们可能没有规范化。

【讨论】：

感谢@SWilk 的帮助，我能够完成这项工作。

【解决方案2】：

如果你想获取 td 元素的 innerHTML，你可以使用以下构造：

$tdElement = $row->getElementsByTagName('td')->item(0);
$tdElement->ownerDocument->saveHTML( $tdElement );

它应该以 string 的形式返回该节点的内部 html。

【讨论】：