如何从 PHP 中的 HTML 列表中提取结构化文本？

Question

我有这个字符串：

<ul>
  <li id="1">Page 1</li>
  <li id="2">Page 2
    <ul>
      <li id="3">Sub Page A</li>
      <li id="4">Sub Page B</li>
      <li id="5">Sub Page C
        <ul>
          <li id="6">Sub Sub Page I</li>
        </ul>
      </li>
    </ul>
  </li>
  <li id="7">Page 3
    <ul>
      <li id="8">Sub Page D</li>
    </ul>
  </li>
  <li id="9">Page 4</li>
</ul>

我想用 PHP 分解每一个信息，并把它变成这样：

----------------------------------
| ID | ORDER | PARENT | CHILDREN |
----------------------------------
|  1 |   1   |   0   |     0     |
|  2 |   2   |   0   |   3,4,5   |
|  3 |   1   |   2   |     0     |
|  4 |   2   |   2   |     0     |
|  5 |   3   |   2   |     6     |
|  6 |   1   |   5   |     0     |
|  7 |   3   |   0   |     8     |
|  8 |   1   |   7   |     0     |
|  9 |   4   |   0   |     0     |
----------------------------------

有关更多信息，这就是此列表对我的意义：

ID 1 是第 1（第 1 页）并且有 0 个父母和 0 个孩子，

ID 2 是第 2 个（第 2 页）并且有 0 个父母和孩子 ID 3、4、5，

ID 3 是第一个（子页面 A）并且有父 ID 2 和 0 个子，

ID 4 是第二个（子页面 B）并且有父 ID 2 和 0 个子，

ID 5 是第 3 个（子页面 C），父 ID 为 2，子 ID 为 6，

ID 6 是第一个（子页面 I）并且有父 ID 5 和 0 个子，

ID 7 是第 3 个（第 3 页）并且有 0 个父母和孩子 ID 8，

ID 8 是第 1 个（子页面 I），父 ID 为 7，子 ID 为 0，

ID 9 是第 4 个（第 4 页），有 0 个父母和 0 个孩子。

如果这太难了，谁能建议如何用另一种方法从这个字符串中获取该信息？

Answer 1

这不是“字符串”，而是 HTML。您需要使用 HTML 解析器，例如 DOMDocument 或 simple_html_dom。

在http://htmlparsing.com/php.html查看示例

Answer 2

你可以在这里划分问题。一件事是解析 HTML，这很容易用 DOMDocument 和 DOMXpath 在这里完成。那是在另一个 xpath 表达式/查询的结果的上下文中运行一些映射。听起来可能有点复杂，但事实并非如此。在更简化的变体中，您可以在之前对 Get parent element through xpath and all child elements 的回答中找到这一点。

在您的情况下，这有点复杂，是一些伪代码。我添加了标签，因为它使事物更加明显以用于演示目的：

foreach //li ::
    ID       := string(./@id)
    ParentID := string(./ancestor::li[1]/@id)
    Label    := normalize-space(./text()[1])

如图所示，这仅返回裸数据。你也有骑士团和孩子们。通常不需要儿童列表（无论如何我都保留在这里）。 Order 值和 Children 值之间的相似之处在于它们是从上下文中检索的。

例如在按文档顺序遍历//li 节点列表时，如果为每个 ParentID 保留一个计数器，则可以对每个子节点的顺序进行编号。

与 Children 类似，就像计数器一样，需要在迭代列表时构建该值。只有在最后，每个列表项的正确值才可用。

所以这两个值在一个上下文中，我以 ParentID 键控的数组的形式创建该上下文：$parents。对于每个 ID，它将包含两个条目：0 包含 Order 的计数器，1 包含一个数组以保存 Children 的 ID（如果有）。

注意：从技术上讲，这并不完全正确。 Order 和 Children 也应该可以在纯 xpath 中表达，我只是在这个示例中没有这样做来展示如何添加您自己的非 xpath 上下文，例如如果您想要不同的排序或儿童处理。

理论说得够多了。考虑标准设置：

$doc = new DOMDocument();
$doc->loadHTML($html);
$xp = new DOMXPath($doc);

上述映射包括。它的上下文可以写成匿名函数：

$parents = [];

$map = function (DOMElement $li) use ($xp, &$parents) {

    $id       = (int)$xp->evaluate('string(./@id)', $li);
    $parentId = (int)$xp->evaluate('string(./ancestor::li[1]/@id)', $li);
    $label    = $xp->evaluate('normalize-space(./text()[1])', $li);

    isset($parents[$parentId][0]) ? $parents[$parentId][0]++ : ($parents[$parentId][0] = 1);
    $order                   = $parents[$parentId][0];
    $parents[$parentId][1][] = $id;
    isset($parents[$id][1]) || $parents[$id][1] = [];

    return array($id, $label, $order, $parentId, &$parents[$id][1]);
};

如您所见，它首先包含对伪代码中的值的检索，第二部分包含对上下文值的处理。如果 ID / ParentID 不存在，它只是初始化上下文。

需要应用此映射：

$result = [];
foreach ($xp->query('//li') as $li) {
    list($id) = $array = $map($li);
    $result[$id] = $array;
}

这将使$result 包含项目列表，$parents 包含上下文数据。由于使用了引用，现在需要对 Children 值进行内爆，然后可以删除引用：

foreach ($parents as &$parent) {
    $parent[1] = implode(',', $parent[1]);
}
unset($parent, $parents);

这使得$result成为可以输出的最终结果：

echo '+----+----------------+-------+--------+----------+
| ID |     LABEL      | ORDER | PARENT | CHILDREN |
+----+----------------+-------+--------+----------+
';
foreach ($result as $line) {
    vprintf("| %' 2d | %' -14s |  %' 2d   |   %' 2d   | %-8s |\n", $line);
}
echo '+----+----------------+-------+--------+----------+
';

然后看起来像：

+----+----------------+-------+--------+----------+
| ID |     LABEL      | ORDER | PARENT | CHILDREN |
+----+----------------+-------+--------+----------+
|  1 | Page 1         |   1   |    0   |          |
|  2 | Page 2         |   2   |    0   | 3,4,5    |
|  3 | Sub Page A     |   1   |    2   |          |
|  4 | Sub Page B     |   2   |    2   |          |
|  5 | Sub Page C     |   3   |    2   | 6        |
|  6 | Sub Sub Page I |   1   |    5   |          |
|  7 | Page 3         |   3   |    0   | 8        |
|  8 | Sub Page D     |   1   |    7   |          |
|  9 | Page 4         |   4   |    0   |          |
+----+----------------+-------+--------+----------+

您可以找到Demo online here。

Answer 3

我留下第二个答案，因为这一次演示了如何使用单个映射（在伪代码中）：

foreach //li ::
    ID       := string(./@id)
    ParentID := string(./ancestor::li[1]/@id)
    Label    := normalize-space(./text()[1])
    Order    := count(./preceding-sibling::li)+1
    Children := implode(",", ./ul/li/@id)

因为这可以在每个li 节点上完成，无论以何种顺序，这可能是Iterator 的完美匹配，这里是当前函数：

public function current() {

    return [
        'ID'       => $this->evaluate('number(./@id)'),
        'label'    => $this->evaluate('normalize-space(./text()[1])'),
        'order'    => $this->evaluate('count(./preceding-sibling::li)+1'),
        'parentID' => $this->evaluate('number(concat("0", ./ancestor::li[1]/@id))'),
        'children' => $this->implodeNodes(',', './ul/li/@id'),
    ];
}

完整示例 (Demo) 输出和代码：

+----+----------------+-------+--------+----------+
| ID |     LABEL      | ORDER | PARENT | CHILDREN |
+----+----------------+-------+--------+----------+
|  1 | Page 1         |   1   |    0   |          |
|  2 | Page 2         |   2   |    0   | 3,4,5    |
|  3 | Sub Page A     |   1   |    2   |          |
|  4 | Sub Page B     |   2   |    2   |          |
|  5 | Sub Page C     |   3   |    2   | 6        |
|  6 | Sub Sub Page I |   1   |    5   |          |
|  7 | Page 3         |   3   |    0   | 8        |
|  8 | Sub Page D     |   1   |    7   |          |
|  9 | Page 4         |   4   |    0   |          |
+----+----------------+-------+--------+----------+


class HtmlListIterator extends IteratorIterator
{
    private $xpath;

    public function __construct($html) {

        $doc = new DOMDocument();
        $doc->loadHTML($html);
        $this->xpath = new DOMXPath($doc);
        parent::__construct($this->xpath->query('//li'));
    }

    private function evaluate($expression) {

        return $this->xpath->evaluate($expression, parent::current());
    }

    private function implodeNodes($glue, $expression) {

        return implode(
            $glue, array_map(function ($a) {

                return $a->nodeValue;
            }, iterator_to_array($this->evaluate($expression, parent::current())))
        );
    }

    public function current() {

        return [
            'ID'       => $this->evaluate('number(./@id)'),
            'label'    => $this->evaluate('normalize-space(./text()[1])'),
            'order'    => $this->evaluate('count(./preceding-sibling::li)+1'),
            'parentID' => $this->evaluate('number(concat("0", ./ancestor::li[1]/@id))'),
            'children' => $this->implodeNodes(',', './ul/li/@id'),
        ];
    }
}

print_result(new HtmlListIterator($html));

function print_result($result) {

    echo '+----+----------------+-------+--------+----------+
| ID |     LABEL      | ORDER | PARENT | CHILDREN |
+----+----------------+-------+--------+----------+
';
    foreach ($result as $line) {
        vprintf("| %' 2d | %' -14s |  %' 2d   |   %' 2d   | %-8s |\n", $line);
    }
    echo '+----+----------------+-------+--------+----------+
';
}