时间戳

首页 > 解决方案 > XPath 不检索某些内容

php - XPath 不检索某些内容

问题描述

我是一个新手，试图编写一个爬虫来从论坛中获取一些统计信息。

这是我的代码：

<?php

$ch = curl_init();
$timeout = 0; // set to zero for no timeout
curl_setopt ($ch, CURLOPT_URL, 'http://m.jeuxvideo.com/forums/42-51-61913988-1-0-1-0-je-code-un-bot-pour-le-forom-je-vous-le-montre-en-action.htm');
curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt ($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
$file_contents = curl_exec($ch);
curl_close($ch);


$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTML($file_contents);

$xpath = new DOMXPath($dom);
$posts = $xpath->query("//div[@class='who-post']/a");//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");
$dates = $xpath->query("//div[@class='date-post']");//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");
$contents = $xpath->query("//div[@class='message  text-enrichi-fmobile  text-crop-fmobile']/p");//$elements = $xpath->query("/html/body/div[@id='yourTagIdHere']");



$i = 0;
foreach ($posts as $post) {

    $nodes = $post->childNodes;

    foreach ($nodes as $node) {
    $value = trim($node->nodeValue);

      $tab[$i]['author'] = $value;
      $i++;


    }

}

$i = 0;

foreach ($dates as $date) {

    $nodes = $date->childNodes;
    foreach ($nodes as $node) {
      $value = trim($node->nodeValue);

      $tab[$i]['date'] = $value;
      $i++;
    }

}

$i = 0;

foreach ($contents as $content) {

    $nodes = $content->childNodes;
    foreach ($nodes as $node) {
      $value = $node->nodeValue;

      echo $value;

        $tab[$i]['content'] = trim($value);
        $i++;


    }

}

?>
<h1>Participants</h2>
<pre>
<?php 
print_r($tab);
?>
</pre>

如您所见，代码不会检索某些内容。例如，我试图从以下位置检索此内容：http: //m.jeuxvideo.com/forums/42-51-61913988-1-0-1-0-je-code-un-bot-pour-le-forom -je-vous-le-montre-en-action.htm

第二个帖子是一张图片，我的代码不起作用。

另一方面，我想我犯了一些错误，我发现我的代码很难看。

你能帮我吗 ？

标签： phpxpath

解决方案

您可以简单地先选择帖子，然后使用以下方法分别获取每个子数据：

代码：

$xpath = new DOMXPath($dom);
$postsElements = $xpath->query('//*[@class="post"]');

$posts = [];
foreach ($postsElements as $postElement) {
  $author = $xpath->evaluate('normalize-space(.//*[@class="who-post"])', $postElement);
  $date = $xpath->evaluate('normalize-space(.//*[@class="date-post"])', $postElement);

  $message = '';
  foreach ($xpath->query('.//*[contains(@class, "message")]/p', $postElement) as $messageParagraphElement) {
    $message .= $dom->saveHTML($messageParagraphElement);
  }

  $posts[] = (object)compact('author', 'date', 'message');
}

print_r($posts);

无关说明：抓取网站的 HTML 本身并不违法，但您应避免在未经他们同意的情况下在您自己的应用程序/网站上显示他们的数据。此外，如果他们决定更改其 HTML 结构/CSS 类名，这可能会在任何时候中断。

推荐阅读