使用 XPath 将无序列表 HTML 标记转换为多维数组

使用 xpath 将无序列表 html 标记转换为多维数组

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 = <<<HTML
<div class="singlepost">

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 24/10/2021 | Hora: 12:04</li>           
<li>Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE</li>
<li>Destino: Agência dos Correios - Cuitegi / PB</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 19/10/2021 | Hora: 00:03</li>           
<li>Origem: Unidade de Logística Integrada - Curitiba / PR</li>
<li>Destino: Unidade de Tratamento - Recife / PE</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Fiscalização aduaneira finalizada</b></li>
<li>Data  : 18/10/2021 | Hora: 23:35</li>
<li>Local: Unidade Operacional - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto recebido pelos Correios do Brasil</b></li>
<li>Data  : 16/10/2021 | Hora: 11:45</li>
<li>Local: Unidade de Logística Integrada - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto postado</b></li>
<li>Data  : 14/10/2021 | Hora: 20:30</li>
<li>Local: País -  / </li>
</ul>

</div>
HTML;

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('<?xml encoding="UTF-8">' . $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);
      登录后复制

      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;
}
        登录后复制

        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);
            登录后复制

            完整代码示例

            


              

            • 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 -  / 
              •
            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); ?>
            登录后复制

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php中文网其它相关文章！

https://www.php.cn/faq/1450964.html

发表回复

Your email address will not be published. Required fields are marked *