使用 PHP Simple HTML DOM Parser 从 html 中提取 dom 元素

Question

我正在尝试使用PHP Simple HTML DOM PARSER 从this site 提取包括文本在内的文章链接。

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：

编辑

Answer 1

有几个问题：

• getElementsByTagName 显然返回单个节点，而不是数组，因此如果页面上有多个 article 标记，它将不起作用。请改用find，它会返回一个数组；
• 但是一旦你进行了切换，你就不能在find的结果上使用find，所以你应该在每个匹配的article标签上这样做，或者更好地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，包括其所有属性和内部；
• 某些文本包含 HTML 实体，例如 ’。这些可以使用html_entity_decode 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，将它们的文本存储在不同的数组中，那么您可以这样做：

$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);
    }
}