如何检索相对于特定找到的 HTML 节点的父元素文本？

Question

我正在编写一个通用的 HTML 浏览器，它可以执行一系列操作，例如访问页面、查找表、查找行、存储数据等。它内部使用 Goutte/Guzzle，因此可以使用 CSS 和 XPath选择器。我遇到了一个有趣的问题，即选择相对于现有结果集的新结果集。

考虑这个演示 HTML：

    <h2>Burrowing</h2>
    <ul>
        <li>
            <a href="/jobs/junior-mole">Junior Mole</a>
        </li>
        <li>
            <a href="/jobs/head-of-badger-partnerships">Head of Badger Partnerships</a>
        </li>
        <li>
            <a href="/jobs/trainee-worm">Trainee Worm</a>
        </li>
    </ul>

    <h2>Tree Surgery</h2>
    <ul>
        <li>
            <a href="/jobs/senior-woodpecker">Senior Woodpecker</a>
        </li>
        <li>
            <a href="/jobs/owl-supervisor">Owl Supervisor</a>
        </li>
    </ul>

    <h2>Grass maintenance</h2>
    <ul>
        <li>
            <a href="/jobs/trainee-sheep">Trainee sheep</a>
        </li>
        <li>
            <a href="/jobs/sheep-shearer">Sheep shearer</a>
        </li>
    </ul>

    <h2>Aerial supervision</h2>
    <ul>
        <li>
            <a href="/jobs/head-magpie-ops">Head of Magpie Operations</a>
        </li>
    </ul>

我运行这个 CSS 查询来获取链接中的角色（这正确地获取了八个项目）：

ul li a

对于每一个，我想获取类别，即在每种情况下，<h2> 紧接在 <ul> 之前。现在我可以用一个绝对的 CSS 选择器来做到这一点：

h2

但是，这得到了四个结果，所以我不知道哪个类别 (h2) 与哪个工作 (链接)。我需要得到八个结果：第一个类别的三个批次、第二个类别的两个批次、第三个批次的两个批次和第四个批次的一个批次，因此每个类别映射到每个角色。

我想知道我是否需要一个父选择器，所以我从 CSS 切换到 XPath，并首先尝试了这个，它使每个 h2 都有一个紧随其后的列表项：

//h2[(following-sibling::ul)[1]/li/a]

找到具有指定父结构的 h2，但又返回四个结果 - 不好。

下一次尝试：

//ul/li[../preceding-sibling::h2[1]]

这会获得正确数量的结果（基于获得带有紧接在前面的标题的列表项），但会获得链接文本，而不是类别文本。

我想过做一个循环——我知道我有八个结果，所以我可以这样做（X 是一个从 1 到 8 循环的注入变量）。这可行，但我认为在这里添加手动循环相当不雅 - 我试图让我的规则尽可能通用：

//li[X]/../preceding-sibling::h2[1]

是否有可以返回所需结果的 XPath 操作？为免生疑问，我正在寻找以下内容（或者只是文本元素就可以了）：

<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Tree Surgery</h2>
<h2>Tree Surgery</h2>
<h2>Grass maintenance</h2>
<h2>Grass maintenance</h2>
<h2>Aerial supervision</h2>

CSS 也可以，但我认为这是不可能的，因为 CSS 没有父运算符（无论如何，Goutte 只是将 CSS 选择器转换为 XPath 选择器）。

由于我使用的是 PHP (5.5)，我相信我必须坚持使用 XPath 1.0。

Answer 1

所以我不确定您是如何尝试使用它的，但我会尝试类似：

$links = $cralwer->filter('ul li a');
foreach ($links as $link) {
   // do stuff with the link
   // ...
   // get the H2
   $header = $link->parents()->filter('ul[../preceding-sibling::h2]');
   // do stuff with the header
}

请注意，这是未经测试的，我是通过直接查看 Symfony\Component\DomCrawler API 得出的，但我认为它应该基于此工作（除非我的 XPath 错误 - 但如果我这样做对你来说应该很容易锻炼）。

您当然也可以使用 Symfony\Component\DomCrawler::each 并在闭包内执行此操作，而不是执行 foreach...

Answer 2

不，没有一个 XPath 1.0 表达式可以返回您想要的内容。首先是因为 XPath 1.0 不允许对中间结果进行迭代，其次是因为项目序列是 defined as a node-set - 其中不能有重复项。

我可以看到两种可能的解决方案来解决您的问题。要么编写 PHP 代码

• 首先检索所有相关的a 节点，例如像//a 这样的表达式
• 依次对它们中的每一个应用第二个 XPath 表达式：preceding::h2[1]

鉴于我的技能很差，您必须自己编写 PHP 代码。但我可以提供一个替代方案：您也可以在 PHP 中使用 XSLT 1.0 转换 there are XSLT 1.0 processors。

样式表

<?xml version="1.0" encoding="UTF-8" ?>
<xsl:transform xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">
    <xsl:output method="xml" omit-xml-declaration="yes" indent="yes" />

    <xsl:template match="/">
      <xsl:for-each select="//a">
          <xsl:copy-of select="preceding::h2[1]"/>
      </xsl:for-each>
    </xsl:template>

</xsl:transform>

应用于您的输入（添加根元素后），结果为

<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Tree Surgery</h2>
<h2>Tree Surgery</h2>
<h2>Grass maintenance</h2>
<h2>Grass maintenance</h2>
<h2>Aerial supervision</h2>

在线试用here。顺便说一句，如果您对如何使用 for 使用 XPath 2.0 进行操作感兴趣，正如您在评论中提到的，请参阅 this version instead：

for $a in //a return $a/preceding::h2[1]