PHP 简单的 HTML DOM 解析器给出错误的数据

Question

我正在使用PHP Simple HTML DOM 解析具有以下 HTML 的网页。注意每个<li> 中额外的</span>-tags。

<li>
  <span class="name">
    <a href="">Link</a> asdasd
  </span>
  </span>
</li>
<li>
  <span class="name">
    <a href="">Link</a> asdasd2
  </span>
  </span>
</li>

我的查询是：

$lis = $dom->find('li');
foreach ($lis as $li) {
  $spans = $li->find('span');
  foreach ($spans as $span) {
    echo $span->plaintext."<br>";
  }
}

我的输出是：

Link asdasd 
Link asdasd2
-----------
Link asdasd2 
-----------

如您所见，find('span') 找到两个跨度作为第一个 <li> 的子代，并从下一个 <span> 中获取值（即使它是下一个 <li> 的子代）。删除尾随 </span> 可以解决问题。

我的问题是：

1. 为什么会这样？

2. 如何解决这个特殊情况？ 其他一切都很好，我无法对我的脚本进行重大更改。如果需要，我可以轻松更改 DOM 查询。

我正在考虑计算开始标签和结束标签，如果它们太多，则删除一个 </span>。既然他们总是<span>s，有没有聪明的方法来用正则表达式检查它？

Answer 1

1) Simple 正在尝试通过在某处添加<span> 来修复您的额外</span>。所以现在你有一个不应该存在的额外跨度。郑重声明，DomDocument 会做同样的事情，尽管可能以更可预测的方式。

2) 简化：

foreach ($dom->find('li > span') as $span) {
  echo $span->plaintext."<br>";
}
//     Link asdasd    <br>     Link asdasd2    <br>

现在你已经告诉它你只想要span，它是li 的孩子。更好的是，执行以下操作：

foreach ($dom->find('span.name') as $span) {
  echo $span->plaintext."<br>";
}

使用这些属性，这就是它们的用处。

Answer 2

$newTxt = preg_replace('/\<\/span\>[\S]*\<\/span\>/','</span>',$txt);

“find(x)”方法是一个重载函数，可以返回以下等价物：

$e->getElementById(x);
$e->getElementsById(x);
$e->getElementByTagName(x); and
$e->getElementsByTagName(x);

在您的第一次通话中使用最后一次通话。在第三种可能性的第二个 $li 中。这可能是一种优化您根据 API 提出的问题的方法。我猜您在 API 中发现了一个错误，因为您在这两种情况下都要求使用第三个调用：

$e->getElementByTagName();