解析HTML DOM方式

Question

我们已经有了一个带有静态信息的古老（内部）网站。我们将用更好的东西替换它，因此我需要获取所有信息。我使用通过正则表达式做到这一点，但最近我偶然发现一些文章指出，使用正则表达式来解析来自HTML的信息是inviting cthulhu to this realm。

因此，我决定学习一些新的技巧，重新开始，并做到DOM方式。 的HTML一部分，我需要看起来像这样：

<table id="articles"> 
    <tr> 
    <th> 
     <a href='articles/aa123.html'><img src="/iamges/aa123.jpg" alt="some article"></a> 
     <br />short description 
    </th> 
    <td> 
     <table class='details'> 
     <tr><th><a href='articles/aa123.html'>Some Article</a></th></tr> 
     <tr><th>Type:</th><td>article type</td></tr> 
     <tr><th>Price:</th><td>€ 99</td></tr> 
     <tr><th>Manufacturer:</th><td>Some Company</td></tr> 
     <tr><th>Warehouse:</th><td>x</td></tr> 
     </table> 
    </td> 
</tr> 
</table> 

到目前为止，我得到这个：

$dom = new DOMDocument(); 
@$dom->loadHTMLFile ($file); 
$xpath = new DOMXPath($dom); 
$query = "/html/body/table[@id='articles']//th"; //catch all TH's 
$data = $xpath->evaluate($query); 

这是关于我卡住。我知道返回的TH的所有内容都在ChildNodes中，但我很难获取这些值。我需要详细信息页面的URL和Price列的值。

我如何获取这些提取？

目前，我想出了以下内容：

$query = '//table[@class="details"]//td'; 
$data= $xpath->evaluate($query); 
$c = $ths->length; 

for ($i = 0; $i < $c; $i++) { 
    echo htmlentities($data->item($i)->nodeValue);  
} 

但这仅显示从TD的文本值。当内容是链接时，它只显示链接标题。不是网址。

UPDATE 感谢Fab的建议，我设法预定了一些进展。目前，我得到了以下内容：

$tables = $xpath->query('//table[@class="details"]'); 
foreach($tables as $table) { 
    $url = $xpath->evaluate('//th/a/@href', $table); 
    $articleName= $xpath->evaluate('//th/a', $table); 
    $Manufacturer= $xpath->evaluate('//th[text()="Manufacturer:"]/../td', $table); 

    echo 'articleName:' . $articleName . ' <br />'; 
    echo 'Manufacturer:' . $Manufacturer. ' <br />'; 
    echo 'url:' . $url. ' <br />'; 
    echo '<br />'; 
} 

但由于某些原因，它总是显示从第一acticle（重复尽可能多的物品，因为在页面上）中的数据。就好像'foreach'语句总是返回第一个找到的表。有小费吗？

Answer 1

的XPath的网址是：

//table[@class="details"]//th/a@href 

而对于价格列：

//table[@class="details"]//th[text()="Price:"]/../td 

也许你会想单独获得URL，价格为每个表，为此，你可以先收集具有所有“详细信息”表的DOMNodeList，然后在内部进行搜索（使用上下文参数）：

$tables = $xpath->query('//table[@class="details"]'); 
foreach($tables as $table) { 
    $url = $xpath->evaluate('//th/a@href', $table); 
    $price = $xpath->evaluate('//th[text()="Price:"]/../td', $table); 
    echo "$url - $price <br>"; 
} 

UPDATE

我忘了一件事情：上下文参数只对相对路径有效，//th/...是绝对的。你必须在一开始加点：.//th/...

看一看：working demo

（我也不得不为query交换evaluate和显式访问的第一个项目的价值：

$xpath->query(...)->item(0)->nodeValue;