HTML 表格抓取 – 从列中获取 href 属性答案

【问题标题】：HTML Table Scraping – Getting href attribute from a columnHTML 表格抓取 – 从列中获取 href 属性
【发布时间】：2014-11-15 15:48:56
【问题描述】：

这是一个简单有效的 HTML 表格 (live demo)：

<!DOCTYPE html>
<html id="world_presidents" xmlns="http://www.w3.org/1999/xhtml" lang="en" xml:lang="en">
    <head>
        <meta charset='utf-8' />
        <style>
            table, td, th {
                border: 1px solid grey;
            }
        </style>
    </head>
    <body>
        <table>
            <tr>
                <th>Name</th>
                <th>Took office</th>
                <th>Resources</th>
            </tr>
            <tr>
                <td><a href="http://en.wikipedia.org/wiki/George_Washington">George Washington</a></td>

                <td>1789</td>
                <td><a href="http://books.google.co.uk/books?id=t1pQ4YG-TDIC&pg=PA148&dq=#v=onepage&q=&f=false"  title="encyclopedia">Encyclopedia</a>(<a href="http://constitutioncenter.org/media/audio/ron_chernow_10-18-10_(64).mp3"  title="Subresource">Sub Resource</a>)<br>
                <a href="http://en.wikipedia.org/wiki/George_Washington#CITEREFParry1991"  title="parry">Parry 1991</a></td>
            </tr>
            <tr>
                <td>John Adams</td>
                <td>1797</td>
                <td><a href="http://www.adherents.com/people/pa/John_Adams.html"  title="Adherents.com">Adherents.com</a></td>
            </tr>
            <tr>
                <td>Thomas Jefferson</td>
                <td>1801</td>
                <td><a href="http://books.google.co.uk/books?id=qkTPAAAAMAAJ&redir_esc=y"  title="Government Printing Office">Government Printing Office</a></td>
            </tr>
            <tr>
                <td>James Madison</td>
                <td>1809</td>
                <td><a href="http://www.loa.org/volume.jsp?RequestID=16&section=toc"  title="Library of America">Library of America</a><br>
                <a href="http://quod.lib.umich.edu/cgi/t/text/text-idx?c=acls;cc=acls;view=toc;idno=HEB00509.0001.001"  title="Federal Republic">Federal Republic</a></td>
            </tr>
            <tr>
                <td>James Monroe</td>
                <td>1817</td>
                <td><a href="https://rads.stackoverflow.com/amzn/click/com/0813912660" rel="nofollow noreferrer"  title="scholarly biography">scholarly biography</a></td>
            </tr>
            <tr>
                <td>John Quincy Adams</td>
                <td>1825</td>
                <td><a href="http://www.common-place.org/vol-09/no-01/adams/"  title="Common-Place">Common-Place</a>&nbsp;(<a href="http://dx.doi.org/10.1111%2F1467-7709.00049"  title="Diplomatic History">Aditional - Diplomatic History</a>)</td>
            </tr>
            <tr>
                <td>Andrew Jackson</td>
                <td>1829</td>
                <td><a href="http://statelibrary.dcr.state.nc.us/nc/bio/public/jackson.htm"  title="Information Services Branch">Information Services Branch</a>&nbsp;(<a href="http://www.discovernorthernireland.com/product.aspx?ProductID=2801"  title="Tourist Board">Tourist Board</a>)</td>
            </tr>
            <tr>
                <td>Martin Van Buren</td>
                <td>1837</td>
                <td><a href="http://en.wikipedia.org/wiki/Holmes_Alexander"  title="The American Talleyrand">The American Talleyrand</a></td>
            </tr>
        </table>
    </body>
</html>

我正在尝试从列中获取所有数据，以便将其插入数据库。当我试图从“href”属性中获取所有链接时，我被困在第三列。我在下面创建了适用于第一列和第二列的代码，但我找不到更改它的方法，因此它将显示第三列中的所有链接。

<?php 

require_once 'simple_html_dom.php'; 
$html = new simple_html_dom(); 
$html = file_get_html('table.html'); 

//engine 
//go through table and find href attributes
echo"<p>Presidents</p>"; 
foreach($html->find('//*[@id="world_presidents"]/body/table/tbody/tr/') as $row) { 
    $presidentsLink = $row->find('a', 2); 
    if(!empty($presidentsLink)){ 
        echo $presidentsLink->href . "<br>"; 
    } 
}

?>

现在它只显示一个链接而不是 13 个 (live demo)。

简单来说：

我正在使用 Simple HTML DOM Parser 从 html 表中获取内容
我无法更改 thml 表
我的问题是从第三列获取所有 href 属性并显示它们

如果有任何帮助，我将不胜感激。

【问题讨论】：

标签： php html web-scraping simple-html-dom

【解决方案1】：

无论如何，您似乎正在使用 xpath 查询，只需将其直接指向表格行单元格并循环其锚子项：

$html = file_get_html('http://five-kings.co.uk/question/table.html');
$table_rows = $html->find('tr td[3]');
foreach($table_rows as $cell) {
    foreach($cell->children as $child) {
        if($child->tag == 'a') {
            echo $child->href . '<br/>';
        }
    }
    echo '<hr/>';
}

【讨论】：

工作得很好，非常感谢！非常快速的回答。我只是想知道，你认为这可以做得更好吗？我只是不确定我是否正确使用了 Simple HTML DOM Parser。
@Tom 你是什么意思可以做得更好？个人而言，我会推荐 DOMDocument