我正在尝试从 this site 中提取文章(包括文本)的链接。使用PHP Simple HTML DOM PARSER .
我想提取主页中文章的所有 h2
标签,我正在尝试这样做:
$html = file_get_html('http://www.winbeta.org');
$articles = $html->getElementsByTagName('article');
$a = null;
foreach ($articles->find('h2') as $header) {
$a[] = $header;
}
print_r($a);
根据手册,它应该首先获取article
标签内的所有内容,然后为每篇文章提取h2并保存在数组中。但它给了我:
最佳答案
有几个问题:
getElementsByTagName
显然返回一个节点,而不是一个数组,因此如果页面上有多个 article 标记,它就不起作用。而是使用find
来返回一个数组;- 但是一旦进行了该切换,您就无法对
find
的结果使用find
,因此您应该对每篇匹配的文章执行此操作。 > 标签,或者最好使用组合选择器作为find
的参数; - 主要问题:您必须使用
->plaintext
显式检索节点的文本内容,否则您将获得节点的对象表示形式,及其所有属性和内部结构; - 某些文本包含 HTML 实体,例如
’
。这些可以使用html_entity_decode
进行解码。
所以这段代码应该可以工作:
$a = array();
foreach ($html->find('article h2') as $h2) { // any h2 within article
$a[] = html_entity_decode($h2->plaintext);
}
使用array_map
,你也可以这样做:
$a = array_map(function ($h2) { return html_entity_decode($h2->plaintext); },
$html->find('article h2'));
如果您还需要检索文章中的其他标签,将其文本存储在不同的数组中,那么您可以执行以下操作:
$a = array();
$b = array();
foreach ($html->find('article') as $article) {
foreach ($article->find('h2') as $h2) {
$a[] = html_entity_decode($h2->plaintext);
}
foreach ($article->find('h3') as $h3) {
$b[] = html_entity_decode($h3->plaintext);
}
}
关于php - 使用 PHP Simple HTML DOM Parser 从 html 中提取 dom 元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34620043/