使用 DOMDocument 从 HTML 页面中抓取数据答案

【问题标题】：Scrape data from HTML page using DOMDocument使用 DOMDocument 从 HTML 页面中抓取数据
【发布时间】：2021-11-07 04:11:44
【问题描述】：

我是 PHP 新手，正在尝试制作可以从外部站点获取数据的脚本。我对获得欧宝 Merk 的价值很感兴趣。它的HTML代码是这样的

<div class="row">
    <div class="col-6 col-sm-5 label" data-tooltip="<strong>Merk</strong><br/>Het merk van het voertuig. Dit wordt voor alle voertuigsoorten geregistreerd.
<span>bron: RDW</span> ">
        Merk
    <span data-toggle="tooltip" data-html="true" title="<strong>Merk</strong><br/>Het merk van het voertuig. Dit wordt voor alle voertuigsoorten geregistreerd.<br /><span>bron: RDW</span> "></span><span data-toggle="tooltip" data-html="true" title="<strong>Merk</strong><br/>Het merk van het voertuig. Dit wordt voor alle voertuigsoorten geregistreerd.<br /><span>bron: RDW</span> "></span></div>
    <div class="col-6 col-sm-7 value">
Opel
    </div>
</div>

我正在尝试使用下面的 PHP 代码来获取它

<?php
// a new dom object
$dom = new domDocument; 

// load the html into the object
$dom->loadHTML('https://centraalbeheerkentekencheck.azurewebsites.net/?kenteken=L-762-LZ'); 

// discard white space
$dom->preserveWhiteSpace = false;

$rowData= $dom->getElementsByTagName('row');

但现在我被卡住了，不知道如何完成剩余代码，以便获得 Merk 的价值，即欧宝。让我知道这里是否有人可以帮助我实现我的目标。

【问题讨论】：

行不是标签名是类名

标签： php web-scraping domdocument

【解决方案1】：

我认为最好使用 SimpleHtmlDom（如 voku/simple_html_dom）：

composer install voku/simple_html_dom

SimpleHtmlDom 版本

您为此使用了 url https://centraalbeheerkentekencheck.azurewebsites.net/?kenteken=L-762-LZ，但它包含一个指向：https://centraalbeheer.finnik.nl/kenteken/l762lz/gratis 的 iframe，所以我在脚本中使用它来代替：

use voku\helper\HtmlDomParser;
require_once __DIR__ . "/vendor/autoload.php";

function getBrand(string $license) : string
{
    $license = strtolower(str_replace("-", "", $license));
    $dom = HtmlDomParser::file_get_html("https://centraalbeheer.finnik.nl/kenteken/".$license."/gratis");
    $brand = $dom->find(".result .row .value")[0]->innerHtml();
    return str_replace(["&#13;", "\n", "\r"], "", $brand);
}

var_dump(getBrand("L-762-LZ"));

更新：您也可以使用正则表达式来做到这一点

function getBrandRegex(string $license) : string
{
    $license = strtolower(str_replace("-", "", $license));
    $content = file_get_contents("https://centraalbeheer.finnik.nl/kenteken/".$license."/gratis");
    preg_match_all('/<div class="col-6 col-sm-7 value">(.*?)<\/div>/s', $content, $matches);
    $brand = $matches[1][0];
    return trim(str_replace(["&#13;", "\n", "\r"], "", $brand));
}

var_dump(getBrandRegex("L-762-LZ"));

更新：DomDocument 版本

function getBrandDomDocument(string $license) : string
{
    libxml_use_internal_errors(true); //see: https://www.php.net/manual/en/function.libxml-use-internal-errors.php
    $license = strtolower(str_replace("-", "", $license));
    $dom = new \DomDocument;
    $dom->loadHTMLFile("https://centraalbeheer.finnik.nl/kenteken/".$license."/gratis");
    $dom->preserveWhiteSpace = false;

    $xpath = new \DOMXPath($dom);
    $data = $xpath->query("//div[contains(@class, 'col-6 col-sm-7 value')]");

    return trim(str_replace(["&#13;", "\n", "\r"], "", $data[0]->textContent));
}

var_dump(getBrandDomDocument("L-762-LZ"));

输出

Opel

【讨论】：