无法为 php 抓取获取特定的 <p> 标签 [重复]

Question

我正在学习php抓取。我刚开始抓取以下网站：

 **[URL]="http://www.youramazingplaces.com/"**

到目前为止，我已经抓取了每个帖子的所有标题、图片来源和链接地址。我对抓取

标签有点困惑，因为我需要每个标题的描述，并且该描述在 2 或 3 标记和该页面上的所有图像也在 标记中。 我正在使用正则表达式好友。 我想从每个帖子中创建一个正则表达式，该表达式应该从页面中提取每个描述，除了包含图像或其他类的段落标签。 现在我的正则表达式提取了所有的段落标签，但我不想全部去掉它们。我只需要那些只包含描述的标签。

到目前为止，我已经制作了以下正则表达式来获取该页面中的所有段落： "%(?P .*?)

%m'".

输出如下：" 焦特布尔是印度拉贾斯坦邦的第二大城市。总人口851,051人。它是印度最美丽和访问量最大的地方之一。这座城市有两个绰号：“阳光之城”是指阳光明媚的天气，“蓝色之城”则是因为梅赫兰加尔堡周围有着鲜艳的蓝色房屋。在那里你可以看到令人惊叹的古老建筑、美丽的风景、令人惊叹的建筑…… 焦特布尔的景点有：Mehrangarh For、Jaswant Thada、Rao Jodha Desert Rock Park、Umaid Bhawan Palace、Mandore 和 Mandore 花园以及许多其他有趣的地方。对于那些喜欢旅行和探索一些新的不同地方的人来说，绝对应该去印度的焦特布尔。您可以在下面看到一些地方的照片并享受其中。此外，这些精彩的照片会让您感觉身临其境，享受焦特布尔的美景。如果您想度过难忘的假期，请访问焦特布尔。 图片由 Girish Suryawanshi 通过 Flickr 拍摄 迈克尔·弗利通过 Flickr 拍摄的图片

"

它也包含图像标签，我不需要它们。我只需要从每个页面中抓取描述。

以下是我的代码：

 *//$url="http://www.youramazingplaces.com/";
 //$curl_scraped_page=initCurl($url);*

 $pagenumber=1;

 while($pagenumber<=1)
 {
 $url="http://www.youramazingplaces.com/page/{$pagenumber}/";

 $curl_scraped_page=initCurl($url);
 *//////////LINKS////////////*
 preg_match_all('%<a href="(?P<links>.*?)"><b>(?P<readmore>.*?)</b></a>%m',      
 $curl_scraped_page,$link_array);
 for($x=0; $x<count($link_array['links']); $x++ )

 {
 $curldata=  initCurl($link_array['links'][$x]);

 preg_match_all('%<h1 class="(.*?)">(?P<title>.*?)</h1>%s', $curldata,$title);

 preg_match_all('%<p><img class="(?P<imageclass>.*?)" src="(?P<imgsrc>.*?)"alt="                 (?P<alt>.*?)"/>   </p>%m', $curldata,$img_src_array);

    preg_match_all('%<p>(?P<description>.*?)</p>%m', $curldata,$description_array);

   print_r($description_array['description']['1']);

  $pagenumber++;

 }

Answer 1

帮自己一个忙，永远不要尝试使用正则表达式解析 HTML。使用类似的东西：

• https://code.google.com/p/phpquery/
• http://simplehtmldom.sourceforge.net/

然后，您只需像在 jQuery 中那样使用选择器挑选消耗的 HTML 片段。