从 html 页面 php 中抓取数据答案

【问题标题】：scrape the data from html page php从 html 页面 php 中抓取数据
【发布时间】：2011-03-23 02:43:30
【问题描述】：

我需要从 html 页面中抓取数据

<div style="margin-top: 0px; padding-right: 5px;" class="lftFlt1">

    <a href="" onclick="setList1(157204);return false;" class="contentSubHead" title="USA USA">USA USA</a>
    <div style="display: inline; margin-right: 10px;"><a href="" onclick="rate('157204');return false;"><img src="http://icdn.raaga.com/3_s.gif" title="RATING: 3.29" style="position: relative; left: 5px;" height="10" width="60" border="0"></a></div>
    </div>

我需要从onclick="setList1...刮掉“USA USA”和157204...

【问题讨论】：

你要报废还是报废？保留数据还是保留 HTML 并丢弃数据？
@relet：好问题。我经常看到这个拼写错误，所以我编辑为“scrape”。 @Ram：如果“废品”确实是您的意图，请回滚。
是我的错我很抱歉
Scrape web page contents的可能重复

标签： php html

【解决方案1】：

您应该使用DOMDocument 或XPath。通常不建议使用 RegEx 来解析 HTML。

【讨论】：

【解决方案2】：

使用正则表达式：

/setList1\(([0-9]+)\)[^>]+title="([^"]+)"/si

和 preg_match() 或 preg_match_all()

【讨论】：

Regex 不是解析 HTML 的方法。请参阅：stackoverflow.com/questions/1732348/… 以及该线程上的其他回复。

【解决方案3】：

请转至through my previous answers about how to handle HTML with DOM。

XPath 获取所有锚元素的文本内容：

//a/text()

XPath 获取所有锚元素的title属性：

//a/@title

XPath 获取所有锚元素的 onclick 属性：

//a/@onclick

您将不得不使用一些字符串函数从点击文本中提取数字。

【讨论】：

【解决方案4】：

到目前为止，最好的抓取库是简单的 html dom。基本上使用jquery选择器语法。

http://simplehtmldom.sourceforge.net/

您在本例中获取数据的方式：

include("simple_html_dom.php");
$dom=str_get_html("page.html");
$text=$dom->find(".lftFlt1 a.contentSubHead",0)->plaintext;
//or 
$text=$dom->find(".lftFlt1 a.contentSubHead",0)->title;

【讨论】：

这是你的意见。您尝试了多少其他库？实际使用 DOM 而不是字符串解析的建议第三方替代方案：phpQuery、Zend_Dom 和 FluentDom。
是的，它对我有帮助，但我更改了一个更正 $dom=file_get_html("page.html");你能解释一下.lftFlt1 a.contentSubHead这个东西吗？？？
@Ram 这是一个 CSS 选择器，它（与史蒂夫的建议相反）不是 jQuery，而是 W3C 标准：w3.org/TR/CSS2/selector.html
好吧..但我在网页中使用 lftFlt1 有更多课程我使用此代码它不起作用 $dom=file_get_html("raaga.com/channels/tamil/moviedetail.asp?mid=T0001923"); foreach($text=$dom-> find(".lftFlt1 a.contentSubHead",0) as $a) { echo $a->plaintext; }
@Ram 显然。 find 的第二个参数返回第 n 个孩子。请参阅文档simplehtmldom.sourceforge.net/manual.htm

【解决方案5】：

我是这样做的

$a=$coll->find('div[class=lftFlt1]');
$text=$element->find("a[class=cursor]",0)->onclick;

【讨论】：