php - 简单的HTML DOM - 其他元素之间的元素

Question

我想写一个PHP脚本来抓取一个网站，并保留在数据库中的一些元素。

这里是我的问题：一个网页是这样写的：

<h2>The title 1</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p> 

<h2>The title 2</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p> 

<p class="one_class"> Some different text </p> 
<p> Some other interesting text </p> 

<h2>The title 3</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p> 

我想只有H2和P有趣的文本，而不是在p类=“one_class”。

我尝试这样做PHP代码：

<?php 
$numberP = 0; 
foreach($html->find('p') as $p) 
{ 
    $pIsOneClass = PIsOneClass($html, $p); 

    if($pIsOneClass == false) 
    { 
     echo $p->outertext; 
       $h2 = $html->find("h2", $numberP); 
       echo $h2->outertext; 
       $numberP++; 
     } 

} 
?> 

功能PIsOneClass（$ HTML，$ p）为：

<?php 
function PIsOneClass($html, $p) 
{ 
foreach($html->find("p.one_class") as $p_one_class) 
    { 
     if($p == $p_one_class) 
     { 
      return true; 
     }   
    } 
    return false; 
} 
?> 

它不工作，我明白为什么，但我不知道如何解决它。

我们怎么说“我想每个没有班级的人都在两个h2之间？”

Thx很多！

Answer 1

使用XPath可以更轻松地完成此任务，因为您正在抓取多个元素，并且要保持源代码的顺序。您可以使用PHP的DOM库，其中包括DOMXPath，查找和筛选需要的元素：

$html = '<h2>The title 1</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p> 

<h2>The title 2</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p> 

<p class="one_class"> Some different text </p> 
<p> Some other interesting text </p> 

<h2>The title 3</h2> 
<p class="one_class"> Some text </p> 
<p> Some interesting text </p>'; 

# create a new DOM document and load the html 
$dom = new DOMDocument; 
$dom->loadHTML($html); 
# create a new DOMXPath object 
$xp = new DOMXPath($dom); 

# search for all h2 elements and all p elements that do not have the class 'one_class' 
$interest = $xp->query('//h2 | //p[not(@class="one_class")]'); 

# iterate through the array of search results (h2 and p elements), printing out node 
# names and values 
foreach ($interest as $i) { 
    echo "node " . $i->nodeName . ", value: " . $i->nodeValue . PHP_EOL; 
} 

输出：

node h2, value: The title 1 
node p, value: Some interesting text 
node h2, value: The title 2 
node p, value: Some interesting text 
node p, value: Some other interesting text 
node h2, value: The title 3 
node p, value: Some interesting text 

正如你所看到的，原文停留在秩序，它的容易消除你不想要的节点。

Answer 2

从已经具有一定值的指定属性的simpleHTML dom manual

[attribute=value] 

匹配元素。 或

[!attribute] 

匹配没有指定属性的元素。