无法仅从 RSS 提要解析 img src？答案

【问题标题】：Trouble parsing just img src from RSS feed?无法仅从 RSS 提要解析 img src？
【发布时间】：2016-12-05 08:08:29
【问题描述】：

我正在尝试基于此示例创建一个 RSS 阅读器：

http://www.w3schools.com/php/php_ajax_rss_reader.asp

具体来说，我正在尝试修改此示例，以便读者可以访问和显示来自任何给定网络漫画 RSS 提要的所有可用漫画图像（仅此而已）。我意识到可能有必要使代码至少有点特定于站点，但我正在尝试使其尽可能通用。目前，我已经修改了初始示例以生成一个阅读器，该阅读器显示给定 RSS 提要列表的所有漫画。但是，它还显示了我试图摆脱的其他不需要的文本信息。到目前为止，这是我的代码，其中有一些特别给我带来麻烦的提要：

index.php 文件：

<html>
<head>
    <script>
        function showRSS() 
        {
          if (window.XMLHttpRequest) 
          {
            // code for IE7+, Firefox, Chrome, Opera, Safari
            xmlhttp=new XMLHttpRequest();
          } else 
          {  // code for IE6, IE5
            xmlhttp=new ActiveXObject("Microsoft.XMLHTTP");
          }
          xmlhttp.onreadystatechange=function() 
          {
            if (xmlhttp.readyState==4 && xmlhttp.status==200) 
            {
              document.getElementById("rssOutput").innerHTML=xmlhttp.responseText;
            }
          }
          xmlhttp.open("GET","logger.php",true);
          xmlhttp.send();
        }
    </script>
</head>
<body onload="showRSS()">
    <div id="rssOutput"></div>
</body>
</html>

（很确定这个文件没有任何问题；我认为问题出现在下一个文件中，尽管为了完整性我将这个文件包含在内）

logger.php：

<?php

//function to get all comics from an rss feed
function getComics($xml)
{
    $xmlDoc = new DOMDocument();
    $xmlDoc->load($xml);

    $x=$xmlDoc->getElementsByTagName('item');
    foreach ($x as $x)
    {
      $comic_image=$x->getElementsByTagName('description')->item(0)->childNodes->item(0)->nodeValue;
      //output the comic
      echo ($comic_image . "</p>");
      echo ("<br>");
    }

}

//create array of all RSS feed URLs
$URLs =
[
    "SMBC" => "http://www.smbc-comics.com/rss.php", 
    "garfieldMinusGarfield" => "http://garfieldminusgarfield.net/rss",
    "babyBlues" => "http://www.comicsyndicate.org/Feed/Baby%20Blues",
];

//Loop through all RSS feeds
foreach ($URLs as $xml)
{
    getComics($xml);
}

?>

因为这种方法在漫画图像之间包含了额外的文字（SMBC 的很多随机内容，gMg 的几个广告链接，以及婴儿布鲁斯的版权链接），我查看了 RSS 提要并得出结论问题在于它是包含图像源的描述标签，但也包含其他内容。接下来，我尝试修改 getComics 函数以直接扫描图像标签，而不是首先查找描述标签。我将 DOMDocument 创建/加载和 URL 列表之间的部分替换为：

$images=$xmlDoc->getElementsByTagName('img');
    print_r($images);

    foreach ($images as $image)
    {
        //echo $image->item(0)->getAttribute('src');
        echo $image->item(0)->nodeValue;
        echo ("<br>");
    }

但显然 getElementsByTagName 没有选择嵌入在描述标签中的图像标签，因为我没有输出漫画图像，并且 print_r 语句的以下输出：

DOMNodeList Object ( [length] => 0 ) DOMNodeList Object ( [length] => 0 )

最后，我尝试了两种方法的组合，尝试在解析出描述标签内容的代码中使用 getElementsByTagNam('img')。我换了行：

$comic_image=$x->getElementsByTagName('description')->item(0)->childNodes->item(0)->nodeValue;

与：

$comic_image=$x->getElementsByTagName('description')->item(0)->getElementsByTagName('img');
      print_r($comic_image);

但这也什么也没找到，产生了输出：

DOMNodeList Object ( [length] => 0 )

对于非常长的背景非常抱歉，但我想知道是否有一种方法可以只从给定的 RSS 提要中解析 img src 而没有我不想要的其他文本和链接？

非常感谢您的帮助

【问题讨论】：

标签： php dom rss

【解决方案1】：

在内部，描述内容被转义了，所以下面的代码应该可以工作：

foreach ($x as $y) {
    $description = $y->getElementsByTagName('description')->item(0);
    $decoded_description = htmlspecialchars_decode($description->nodeValue);
    $description_xml = new DOMDocument();
    $description_xml->loadHTML($decoded_description);
    $comic_image = $description_xml->getElementsByTagName('img')->item(0)->getAttribute('src');

    //output the comic
    echo ($comic_image);
    echo ("<br>");
}

【讨论】：

谢谢，我想我一般都明白你在说什么，我尝试了你的具体代码。它适用于某些提要，但会对其他提要产生奇怪的错误。例如，对于 SMBC，它打印出 5 个有效的图像 URL，但随后反复给我以下错误：警告：DOMDocument::loadHTML(): htmlParseEntityRef: expecting ';'在实体中，第 30 行的 C:\xampp\htdocs\comic_database_logger\logger.php 中的第 30 行，我对此感到非常困惑。我不明白为什么它在某些描述文本中需要分号
对于婴儿忧郁，它完全有效（尽管它输出的是图像的 URL 而不是图像本身，我想我以后可以解决），对于加菲猫减去加菲猫，它给出的只是是上面列出的错误。很迷茫
实际上，我尝试在行前添加一个 @ 导致问题，因为它们只是警告，现在一切正常，除了我需要弄清楚如何显示图像而不是图片来源链接

【解决方案2】：

供以后阅读此论坛的其他人参考，这是我最终得到的代码。我只用一个调用 getImageTag 函数的 getImageSrc 函数替换了 for each 循环中的所有内容：

//function to find an image tag within a specific section if there is one
function getImageTag ($item,$tagName)
{
    //pull desired section from given item
    $section = $item->getElementsByTagName($tagName)->item(0);
    //reparse description as if it were a string, because for some reason  PHP woon't let you directly go to the source image with getElementsByTagName
    $decoded_section = htmlspecialchars_decode($section->nodeValue);
    $section_xml = new DOMDocument();
    @$section_xml->loadHTML($decoded_section); //the @ is to suppress a bunch of warnings about characters this parser doesn't like
    //pull image tag from section if there
    $image_tag = $section_xml->getElementsByTagName('img')->item(0);
    return $image_tag;
}

//function to get the image source URL from a given item
function getImageSrc ($item)
{
    $image_tag = getImageTag($item,'description');
    if (is_null($image_tag)) //if there was nothing with the tag name of  image in the description section
    {
        //check in content:encoded section, because that's the next most likely place
        $image_tag = getImageTag($item,'encoded');
        if (is_null($image_tag)) //if there was nothing with the tag name of image in the encoded content section
        {
            //if the program gets here,  it's probably because the feed is crap and doesn't include images,
            //or it's because this particular item doesn't have a comic image in it
            $image_src = '';
            //THIS EXCEPTION  WILL PROBABLY NEED TO BE HANDLED LATER TO AVOID POTENTIAL ERRORS
        } else
        {
            $image_src = $image_tag->getAttribute('src');
        }
    } else
    {
        $image_src = $image_tag->getAttribute('src');
    }
    return $image_src;
}

【讨论】：