PHP Goutte 网页抓取

Question

我想抓取这个：

<a class="pdt_title"> 
  Japan Sun Apple - Fuji
  <span class="pdt_Tweight">2 per pack</span>
</a>

这是我的代码：

use Goutte\Client;
$client = new Client();
$crawler = $client->request('GET', 'https://www.fairprice.com.sg/searchterm/apple');
foreach ($crawler->filter('a.pdt_title') as $node) {
    print $node->nodeValue."\n";
}

我只想刮掉“a”标签内的文本，而不需要“span”标签内的文本。 如何只获取“a”标签内的文本？

Answer 1

查看 HTML 标记，您想要的文本节点落入锚点的第一个子节点。由于每个$node 都是DOMElement 的一个实例，所以可以使用->firstChild（针对文本节点），然后使用->nodeValue：

foreach ($crawler->filter('a.pdt_title') as $node) {
    echo $node->firstChild->nodeValue . "\n";
}

另一种选择是通过->filterXpath() 使用xpath，顺便说一下，它在文档中：

foreach ($crawler->filterXpath('//a[@class="pdt_title"]/text()') as $text) {
    echo $text->nodeValue , "\n";
}

相关文档：

https://symfony.com/doc/current/components/dom_crawler.html

xpath 查询仅针对具有该类的锚点，然后是文本。

或者另一个班轮。它返回一个数组，提取文本：

$output = $crawler->filterXpath('//a[@class="pdt_title"]/text()')->extract(array('_text'));

相关 DOM 文档：

http://php.net/manual/en/class.domelement.php
http://php.net/manual/en/class.domnode.php