本文介绍如何使用 PHP 的 DOMDocument 和 DOMXPath 类，从 HTML 代码中提取无序列表数据，并将其转换为结构化的多维数组，最终以 JSON 格式输出。重点讲解了如何使用 XPath 查询选取特定的 HTML 元素，以及如何处理提取到的文本数据，使其符合目标数组结构。
使用 PHP 和 XPath 解析 HTML 无序列表
本教程将指导你如何使用 PHP 的 DOMDocument 和 DOMXPath 类，从 HTML 字符串中提取数据，并将其转换为多维数组。我们将以提取物流跟踪信息为例，HTML 结构包含多个
元素，每个 包含多个 元素，每个 元素包含状态、日期、地点等信息。
1. 加载 HTML 并创建 DOMXPath 对象
首先，我们需要将 HTML 字符串加载到 DOMDocument 对象中，并创建一个 DOMXPath 对象，以便使用 XPath 查询 HTML 元素。
立即学习“前端免费学习笔记（深入）”；
$html = <<<HTMLHTML;function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): DOMDocument{ $flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET; $flags = ($flags & ~ $exclude_flags) | $extra_flags; $domd = new DOMDocument(); $domd->preserveWhiteSpace = false; @$domd->loadHTML('' . $html, $flags); $removeAnnoyingWhitespaceTextNodes = function (DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void { if ($node->hasChildNodes()) { // Warning: it's important to do it backwards; if you do it forwards, the index for DOMNodeList might become invalidated; // that's why i don't use foreach() - don't change it (unless you know what you're doing, ofc) for ($i = $node->childNodes->length - 1; $i >= 0; --$i) { $removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i)); } } if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && ! strlen(trim($node->textContent))) { //echo "Removing annoying POS"; // var_dump($node); $node->parentNode->removeChild($node); } //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); } }; $removeAnnoyingWhitespaceTextNodes($domd); return $domd;}$domd=loadHTML_noemptywhitespace($html);$xp=new DOMXPath($domd);
- Status: Objeto em trânsito - por favor aguarde
- Data : 24/10/2021 | Hora: 12:04
- Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE
- Destino: Agência dos Correios - Cuitegi / PB
- Status: Objeto em trânsito - por favor aguarde
- Data : 19/10/2021 | Hora: 00:03
- Origem: Unidade de Logística Integrada - Curitiba / PR
- Destino: Unidade de Tratamento - Recife / PE
- Status: Fiscalização aduaneira finalizada
- Data : 18/10/2021 | Hora: 23:35
- Local: Unidade Operacional - Curitiba / PR
- Status: Objeto recebido pelos Correios do Brasil
- Data : 16/10/2021 | Hora: 11:45
- Local: Unidade de Logística Integrada - Curitiba / PR
- Status: Objeto postado
- Data : 14/10/2021 | Hora: 20:30
- Local: País - /
2. 使用 XPath 查询 元素
使用 DOMXPath::query() 方法和 XPath 表达式选择所有具有 linha_status 类的
元素。XPath 表达式 //div[contains(@class,’singlepost’)]/ul 选取了 class 包含 singlepost 的 div 元素下的所有 ul 元素。
$extracted=[];foreach($xp->query("//div[contains(@class,'singlepost')]/ul") as $ul){ $ulData=[]; foreach($xp->query("./li", $ul) as $li){ $data = explode(":",$li->nodeValue, 2); $uldata[trim($data[0])] = trim($data[1]); } $extracted[]=$uldata;}
3. 提取 元素的数据
在循环中，我们使用另一个 XPath 表达式 ./li 来选择当前
元素下的所有 元素。然后，我们遍历每个 元素，提取其文本内容。
4. 构建多维数组
将提取到的数据存储到 $extracted 数组中。每个
元素的数据都存储为一个关联数组，键是 标签中的冒号前的内容，值是冒号后的内容。
5. 输出 JSON 格式
最后，使用 json_encode() 函数将多维数组转换为 JSON 格式的字符串。为了使 JSON 字符串更易于阅读，可以使用 JSON_PRETTY_PRINT 选项。
function json_encode_pretty($data, int $extra_flags = 0, int $exclude_flags = 0): string{ // prettiest flags for: 7.3.9 $flags = JSON_PRETTY_PRINT | JSON_UNESCAPED_SLASHES | JSON_UNESCAPED_UNICODE | (defined("JSON_UNESCAPED_LINE_TERMINATORS") ? JSON_UNESCAPED_LINE_TERMINATORS : 0) | JSON_PRESERVE_ZERO_FRACTION | (defined("JSON_THROW_ON_ERROR") ? JSON_THROW_ON_ERROR : 0); $flags = ($flags | $extra_flags) & ~ $exclude_flags; return (json_encode($data, $flags));}echo json_encode_pretty($extracted);
完整代码示例
<?php$html = <<<HTMLStatus: Objeto em trânsito - por favor aguardeData : 24/10/2021 | Hora: 12:04 Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PEDestino: Agência dos Correios - Cuitegi / PBStatus: Objeto em trânsito - por favor aguardeData : 19/10/2021 | Hora: 00:03 Origem: Unidade de Logística Integrada - Curitiba / PRDestino: Unidade de Tratamento - Recife / PEStatus: Fiscalização aduaneira finalizadaData : 18/10/2021 | Hora: 23:35Local: Unidade Operacional - Curitiba / PRStatus: Objeto recebido pelos Correios do BrasilData : 16/10/2021 | Hora: 11:45Local: Unidade de Logística Integrada - Curitiba / PRStatus: Objeto postadoData : 14/10/2021 | Hora: 20:30Local: País - /HTML;function json_encode_pretty($data, int $extra_flags = 0, int $exclude_flags = 0): string{ // prettiest flags for: 7.3.9 $flags = JSON_PRETTY_PRINT | JSON_UNESCAPED_SLASHES | JSON_UNESCAPED_UNICODE | (defined("JSON_UNESCAPED_LINE_TERMINATORS") ? JSON_UNESCAPED_LINE_TERMINATORS : 0) | JSON_PRESERVE_ZERO_FRACTION | (defined("JSON_THROW_ON_ERROR") ? JSON_THROW_ON_ERROR : 0); $flags = ($flags | $extra_flags) & ~ $exclude_flags; return (json_encode($data, $flags));}function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): DOMDocument{ $flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET; $flags = ($flags & ~ $exclude_flags) | $extra_flags; $domd = new DOMDocument(); $domd->preserveWhiteSpace = false; @$domd->loadHTML('' . $html, $flags); $removeAnnoyingWhitespaceTextNodes = function (DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void { if ($node->hasChildNodes()) { // Warning: it's important to do it backwards; if you do it forwards, the index for DOMNodeList might become invalidated; // that's why i don't use foreach() - don't change it (unless you know what you're doing, ofc) for ($i = $node->childNodes->length - 1; $i >= 0; --$i) { $removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i)); } } if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && ! strlen(trim($node->textContent))) { //echo "Removing annoying POS"; // var_dump($node); $node->parentNode->removeChild($node); } //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); } }; $removeAnnoyingWhitespaceTextNodes($domd); return $domd;}$domd=loadHTML_noemptywhitespace($html);$xp=new DOMXPath($domd);$extracted=[];foreach($xp->query("//div[contains(@class,'singlepost')]/ul") as $ul){ $ulData=[]; foreach($xp->query("./li", $ul) as $li){ $data = explode(":",$li->nodeValue, 2); $uldata[trim($data[0])] = trim($data[1]); } $extracted[]=$uldata;}echo json_encode_pretty($extracted);?>
注意事项
确保 HTML 结构是有效的，否则 XPath 查询可能无法正常工作。@ 符号用于抑制 loadHTML 函数的警告信息，因为 HTML 可能包含无效的标记。XPath 表达式可以根据实际的 HTML 结构进行调整。json_encode() 函数的选项可以根据需要进行调整，例如，使用 JSON_UNESCAPED_UNICODE 选项可以避免 Unicode 字符被转义。loadHTML_noemptywhitespace 函数用于移除HTML中的空白文本节点，避免解析结果中出现多余的空格。
总结
通过使用 PHP 的 DOMDocument 和 DOMXPath 类，我们可以方便地从 HTML 字符串中提取数据，并将其转换为结构化的多维数组。这种方法非常灵活，可以根据实际的 HTML 结构和数据需求进行调整。 通过本教程，你应该掌握了使用 XPath 解析 HTML 无序列表，并将其转换为 JSON 格式数据的基本方法。 这种方法可以应用于各种场景，例如，从网页中提取数据、解析 XML 文件等。
以上就是使用 XPath 将无序列表 HTML 标记转换为多维数组的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1291489.html
微信扫一扫 
支付宝扫一扫 
