带有 DOMXpath 查询/评估的 xpath 太长不返回任何内容

Question

我正在使用 PHP 来检索给定 URL 和 XPATH 的内容。 我使用 DOMDocument / DOMXPath（带有查询或评估）。

对于小的 xpath，我得到了正确的结果，但对于更长的 xpath，它不起作用。 （而且这个 xpath 似乎很好（我用 Xpather（firefox 插件）获得它们并用 YQL 重新测试它们）。

你对这个奇怪的问题有什么建议吗？

代码示例：

$doc = new DOMDocument();
$myXMLString = file_get_contents('http://stackoverflow.com/questions/4097230/too-long-xpath-with-domxpath-query-evaluate-return-nothing');
@$doc->loadHTML($myXMLString); //@ to suppress warnings 
                               //(good for not ending markup)
$xpath = new DOMXPath($doc);

$fullPath ="/html/body/small/path"; //it works
//$fullPath = "/html/body/full/path/with/lot/of/markup";//does not works
$entries = $xpath->query($fullPath);
//or ->evalutate($fullPath) (same behaviour)
//$entries return DOMNodeList (empty for a long path query, 
//                             correct for a small path query)

我使用属性限制进行测试，但似乎没有改变（使用小的 xpath 可以工作，越长它就越不工作）

示例： 对于当前页面：

$fullPath = "/html
              /body
               /div[4]
                /div[@id='content']
                 /div[@id='question-header']
                  /h1
                   /a";//works (retrieve the question title)
$fullPath = "/html
              /body
               /div[4]
                /div[@id='content']
                 /div[@id='mainbar']
                  /div[@id='question']
                   /table
                    /tbody
                     /tr[2]
                      /td[2]
                       /div[@id='comments-4097230']
                        /table
                         /tbody
                          /tr[@id='comment-4408626']
                           /td[2]
                            /div
                             /a"; //does'nt work 
                                  //(should retrieve 'gaby' from comment)

---

编辑：

我使用 SimpleXML lib 进行测试，我的行为完全相同（小查询的结果很好，长查询没有结果）。

---

编辑2：

我还通过删除一些第一个元素来剪切最长的 xpath，它可以工作。 顺便说一句，我真的不明白为什么完全正确的 xpath 不起作用。

Answer 1

让我们一步一步来：

第 1 步：复制错误。

在确认 XPath 确实不会返回结果后，我写了一个小脚本来看看 XPath 在中断之前会走多远

foreach (explode('/', $fullPath) as $segment) {
    $xpath .= trim($segment);
    echo '-------------------------------------------', PHP_EOL,
         'Trying: ', $xpath, PHP_EOL,
         '-------------------------------------------', PHP_EOL;
    echo $xp->evaluate("string($xpath)"), PHP_EOL;
    $xpath .= '/';
}

它会返回结果的最后一件事是

/html/body/div[4]/div[@id='content']/div[@id='mainbar']/div[@id='question']/table

---

第 2 步：检查标记

所以我检查了DOMDocument::saveHTML() 返回的标记，看看它是什么样子的，没有<tbody> （为了可读性而重新格式化）：

<div id="question">
    <div class="everyonelovesstackoverflow" id="adzerk1"></div>
        <table>
            <tr><td class="votecell">

然后我检查了这个页面，看看是 DOM 把它扔掉了，还是它真的不存在。它不在那里。显然，Firebug 插入了它，这可以解释为什么使用 XPather 得到结果（但不能解释为什么使用 YQL 得到结果）：

第 3 步：校对和结论

我从 XPath 中删除了 <tbody> 并重新运行了脚本。没问题。返回“盖比”。

虽然我首先怀疑 Firebug 中存在错误，但 Alejandro 评论说这也会发生在 IE 的 DeveloperTools 中。然后我怀疑这是由 JavaScript 添加的，但无法验证。经过更多研究后，Alejandro 将我指向 Why does firebug add <tbody> to <table>? - 实际上它既不是 Firebug 也不是 JavaScript，而是浏览器本身。

所以修改一下我的结论：

不要相信您在浏览器中看到的标记，因为它可能会被浏览器或其他技术修改。 DOM 只会下载直接提供的内容。如果你再次遇到类似的问题，你现在知道如何解决它了。

---

一些补充说明

除非您需要在将标记提供给 DOM 之前对其进行修改，否则您不必使用 file_get_contents() 来加载内容。你可以使用 DOM 的loadHTMLFile():

$dom->loadHTMLFile('http://www.example.com/foo.htm');

另外，抑制错误的正确方法是告诉libxml 使用它的内部错误处理程序。但您无需处理错误，只需清除它们即可。这只会影响与 libxml 相关的错误，例如解析错误（相对于所有 PHP 错误）：

libxml_use_internal_errors(TRUE);
libxml_clear_errors();

最后，可以针对上下文节点进行 xPath 查询。因此，虽然长 XPath 在查找时间方面很有效，但您可以简单地使用 getElementById() 来获取最深的已知节点，然后对它使用 XPath。

换句话说：

libxml_use_internal_errors(TRUE);
$dom = new DOMDocument;
$dom->loadHTMLFile('http://www.example.com/foo.htm');
libxml_clear_errors();
echo $xp->evaluate(
    'string(td[2]/div/a)', 
    $dom->getElementById('comment-4408626'));

也会返回“Gaby”。