php：从网页中提取特定标签之间的文本[重复]答案

【问题标题】：php: Extract text between specific tags from a webpage [duplicate]php：从网页中提取特定标签之间的文本[重复]
【发布时间】：2011-12-03 16:29:47
【问题描述】：

可能重复：
Best methods to parse HTML with PHP

我知道我应该使用像 php domdocument (http://docs.php.net/manual/en/domdocument.loadhtml.php) 或 tagoup 这样的 html 解析器。

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？看来我只能使用 getelementbytagname 对一个标签执行此操作。

是否有更好的 html 解析器来完成此类任务？或者我将如何遍历 php domdocument？

【问题讨论】：

标签： php regex html-parsing

【解决方案1】：

您可以使用正则表达式来做到这一点。

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

【讨论】：

请不要为此使用正则表达式！众所周知，正则表达式在解析 HTML 时不可靠。

【解决方案2】：

你是对的，使用 DomDocument（因为正则表达式不是解析 HTML 的好主意。为什么？请参阅 here 和 here 了解原因）。

getElementsByTagName 为您提供DOMNodeList，您可以对其进行迭代以获取所有找到的元素的文本。因此，您的代码可能类似于：

$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，您可能应该在其中进行一些错误处理，并且您还会丢失文本的上下文，但您可以根据需要编辑此代码。

【讨论】：

谢谢，看起来不错。在一些网页上尝试过，比如 yahoo.com（刚刚添加了 $html = file_get_contents("http://yahoo.com");，但它总是失败并给出可怕的 domdocument.loadhtml</a>]: htmlParseEntityRef: expecting ';' in Entity 我想必须检查 tagoup 或 simplehtmldom。:) 虽然算法看起来不错。跨度>

【解决方案3】：

我不确定您的来源是什么，所以我添加了一个通过 URL 获取内容的功能。

$file = file_get_contents($url);

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

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

我不确定这部分：

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

或者：

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

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

希望对你有帮助！

【讨论】：