从页面中提取数据答案

【问题标题】：Extract data from a page从页面中提取数据
【发布时间】：2013-09-05 12:51:24
【问题描述】：

您好，我想创建一个页面 html 和 php，它能够获取此链接中包含的表中的数据：http://www.comuni-italiani.it/province.html

我很想得到任何提示，我会使用 file_get_content 但我不知道如何获取所有各种数据

【问题讨论】：

标签： php html file-get-contents html-content-extraction

【解决方案1】：

您能更清楚地向我们解释一下您想从这个页面中获得什么吗？

无论如何，要做到这一点，您可以使用 file_get_contents 来获取页面，然后根据您想从页面中获取的内容（我想您想从表格中的页面中获取每个 <td> 元素），您可以使用PHP regular expressions (preg_match, preg_match_all) 来获取您需要的所有数据。

您的案例示例：

$page = file_get_contents("http://www.comuni-italiani.it/province.html");

$output = array();
preg_match_all('/<td.*.<\/td>/',$page,$output);

print_r($output);

这将输出：

当然可以过滤。

在您的情况下，例如，通过添加一点 foreach 循环...：

$page = file_get_contents("http://www.comuni-italiani.it/province.html");

    $output = array();
    preg_match_all('/<td.*.<\/td>/',$page,$output);

    $provinces = array();

    foreach ($output as $id => $list) {
        for ($i = 2; $i <= 111; $i++) {
            array_push($provinces,$list[$i]);
        }
    }

    print_r($provinces);

会给你这个：

Array ( [0] => Agrigento [1] => Alessandria [2] => Ancona [3] => Aosta [4] => Arezzo [5] => Ascoli Piceno [6] => Asti [7] => Avellino [8] => Bari [9] => Barletta-Andria-Trani [10] => Belluno [11] => Benevento [12] => Bergamo [13] => Biella [14] => Bologna [15] => Bolzano [16] => Brescia [17] => Brindisi [18] => Cagliari [19] => Caltanissetta [20] => Campobasso [21] => Carbonia-Iglesias [22] => Caserta [23] => Catania [24] => Catanzaro [25] => Chieti [26] => Como [27] => Cosenza [28] => Cremona [29] => Crotone [30] => Cuneo [31] => Enna [32] => Fermo [33] => Ferrara [34] => Firenze [35] => Foggia [36] => Forlì-Cesena [37] => Frosinone [38] => Genova [39] => Gorizia [40] => Grosseto [41] => Imperia [42] => Isernia [43] => La Spezia [44] => L'Aquila [45] => Latina [46] => Lecce [47] => Lecco [48] => Livorno [49] => Lodi [50] => Lucca [51] => Macerata [52] => Mantova [53] => Massa-Carrara [54] => Matera [55] => Messina [56] => Milano [57] => Modena [58] => Monza e della Brianza [59] => Napoli [60] => Novara [61] => Nuoro [62] => Olbia-Tempio [63] => Oristano [64] => Padova [65] => Palermo [66] => Parma [67] => Pavia [68] => Perugia [69] => Pesaro e Urbino [70] => Pescara [71] => Piacenza [72] => Pisa [73] => Pistoia [74] => Pordenone [75] => Potenza [76] => Prato [77] => Ragusa [78] => Ravenna [79] => Reggio Calabria [80] => Reggio Emilia [81] => Rieti [82] => Rimini [83] => Roma [84] => Rovigo [85] => Salerno [86] => Medio Campidano [87] => Sassari [88] => Savona [89] => Siena [90] => Siracusa [91] => Sondrio [92] => Taranto [93] => Teramo [94] => Terni [95] => Torino [96] => Ogliastra [97] => Trapani [98] => Trento [99] => Treviso [100] => Trieste [101] => Udine [102] => Varese [103] => Venezia [104] => Verbano-Cusio-Ossola [105] => Vercelli [106] => Verona [107] => Vibo Valentia [108] => Vicenza [109] => Viterbo )

（对于庞大的数组感到抱歉）。

然而，它将链接保留在数组中，因此，如果您只想获取值而不是与其关联的锚点，请随意使用另一个正则表达式。 p>

希望这会有所帮助。

（以此为例，请记住，如果页面发生更改，这个 foreach 技巧可能不再起作用，我发布它只是为了让您了解如何解决该案例）。

【讨论】：

非常感谢，但如果我想添加列 'sigla'

【解决方案2】：

尝试更多地了解DOMDocument 参考：http://php.net/manual/en/class.domdocument.php

这些问题也可能对您有所帮助：

Getting DOM elements by classname

PHP Parse HTML code

【讨论】：