PHP中的DOMDocument

Question

我刚刚开始阅读有关DOM的文档和示例，以便对文档进行爬网和解析。

例如，我有一部分文档如下所示：

    <div id="showContent">
    <table>
    <tr>
        <td>
         Crap
        </td>
    </tr>
<tr>
          <td width="172" valign="top"><a href="link"><img height="91" border="0" width="172" class="" src="img"></a></td>
          <td width="10">&nbsp;</td>
          <td valign="top"><table cellspacing="0" cellpadding="0" border="0">
              <tbody><tr>
                <td height="30"><a class="px11" href="link">title</a><a><br>
                    <span class="px10"></span>
                </a></td>
              </tr>
              <tr>
                <td><img height="1" width="580" src="crap"></td>
              </tr>
              <tr>
                <td align="right">
                    <a href="link"><img height="16" border="0" width="65" src="/buy"></a>
                </td>
              </tr>
              <tr>
                <td valign="top" class="px10">
                    <p style="width: 500px;">description.</p>
                </td>
              </tr>
          </tbody></table></td>
        </tr>
    <tr>
        <td>
Crap
        </td>
    </tr>
    <tr>
        <td>
         Crap
        </td>
    </tr>
    </table>
    </div>

我正在尝试使用以下代码来获取所有tr标签，并分析其中是否包含废话或信息：

$dom = new DOMDocument();
@$dom->loadHTML($html);

$xpath = new DOMXPath($dom);


$tags = $xpath->query('.//div[@id="showContent"]');
foreach ($tags as $tag) {
    $string="";
    $string=trim($tag->nodeValue);
    if(strlen($string)>3) {
        echo $string;
        echo '<br>';
    }
}

但是我只是剥离了不带标签的字符串，例如：

Crap

Crap
Title
Description

但我想得到：

<tr>
   <td>Crap</td>
</tr>
<tr>
   <a href="link">title</a>
</tr>

如何保留html节点（标签）？

Answer 1

如果您想使用DOM，则必须了解这个概念。DOM文档中的所有内容（包括DOMDocument）都是一个节点。

DOMDocument是节点的分层树结构。它从根节点开始。该根节点可以有子节点，所有这些子节点都可以自己拥有子节点。基本上，a
DOMDocument中的所有内容都是某种节点类型，无论是元素，属性还是文本内容。

          HTML                               Legend: 
         /    \                              UPPERCASE = DOMElement
       HEAD  BODY                            lowercase = DOMAttr
      /          \                           "Quoted"  = DOMText
    TITLE        DIV - class - "header"
     |             \
"The Title"        H1
                    |
           "Welcome to Nodeville"

上图显示了带有某些节点的DOMDocument。有一个带有两个子元素（HEAD和BODY）的根元素（HTML）。连接线称为轴。如果将轴跟随到TITLE元素，您将看到它具有一个DOMText叶。这很重要，因为它说明了一个经常被忽视的事情：

<title>The Title</title>

不是一个，而是两个节点。带有DOMText子级的DOMElement。同样，这

<div class="header">

实际上是三个节点：带有DOMAttr的DOMElement持有DOMText。由于所有这些都从DOMNode继承其属性和方法，因此必须熟悉DOMNode类。

实际上，这意味着您获取的DIV已链接到文档中的所有其他节点。您可以随时移至根元素或向下移至叶子。都在那里。您只需要查询或遍历文档以获取所需信息。

无论你做的是通过遍历childNodes中的DIV或使用getElementByTagName()或XPath是你。您只需要了解您不是在使用原始HTML，而是使用代表整个HTML文档的节点。

如果需要有关从文档中提取特定信息的帮助，则需要澄清要从文档中获取哪些信息。例如，您可以询问如何从表中获取所有链接，然后我们可以回答以下问题：

$div = $dom->getElementById('showContent');
foreach ($div->getElementsByTagName('a') as $link) 
{
    echo $dom->saveXML($link);
}

但是除非您更具体，否则我们只能猜测哪些节点可能是相关的。