$ domxpath-> query - 表内容

问题描述 投票：1回答：1

有两天我收到了使用DOM文件而不是正则表达式的建议

我仍然不知道如何正确使用查询

在下面的链接是会议“TERRITÓRIOEAMBIENTE”，我想获得下面4行的内容

https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama

$html = file_get_contents( 'https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama' );    
            $document = new DOMDocument();              
            $document->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
            $domxpath = new DOMXPath($document);
            $paragraphs = $domxpath->query('
                //th[*[
                        contains(text(), "TERRITÓRIO E AMBIENTE")
                      ]
                    ]
                /following-sibling::tr[
                        position() = 12 
                    ]'
            );

我把12个<tr>的数量，因为这是源代码中出现的，但我不知道我是否正确地执行此查询，这对我来说是出现这些错误

Warning: DOMDocument::loadHTML(): Tag app invalid in Entity, line: 25 
Warning: DOMDocument::loadHTML(): Misplaced DOCTYPE declaration in Entity, line: 25
Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 25

谢谢

php domdocument domxpath
1个回答
1
投票

您的代码中存在几个问题。

  • 您从该网站获得的HTML无效，因此您需要忽略错误（通常不建议这样做，但在这种情况下我认为没问题）。

@$document->loadHTML($html);
  • 您要查找的文本是小写的（由于其样式，它以大写形式显示），因此您需要将其标准化或将文本放在小写中
  • 你的方法（得到第12个孩子）太脆弱了。我对代码进行了一些检查，并且很难让它变得不那么脆弱，但我认为这很接近：

//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[1]/td[3]

得到一个包含文本th的Território e Ambiente元素，然后获取父tr标签，然后转到下一个tr兄弟，最后得到第三个td元素（其中值为）。仍然非常脆弱，但要密切注意网站的变化，它不太可能改变。

所以现在你需要重复那个XPath查询3次，更改第n个tr兄弟（添加两个，因为每个中间都有一个空元素）。它最终看起来像这样：

$document = new DOMDocument();
@$document->loadHTML($html);
$domxpath = new DOMXPath($document);
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[1]/td[3]');
echo "First: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[3]/td[3]');
echo "Second: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[5]/td[3]');
echo "Third: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[7]/td[3]');
echo "Fourth: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);

第一：1.521,110平方公里 第二名：92.6％ 第三名：74,8％ 第四名：50,3％

注意使用preg_replace()来摆脱丰富的空白。

使用更多的XPath魔法我们可以让它只使用一个查询：

//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[position() mod 2 = 1]/td[3]

与其他人一样工作，但不是获得特定的tr兄弟元素，而是获得其他所有元素。

$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[position() mod 2 = 1]/td[3]');
foreach ($paragraphs as $i => $p) {
    echo ($i + 1)." value: ".preg_replace('/\s+/', ' ', $p->nodeValue);
    echo "<br>";
}
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.