使用 XPath 将无序列表 HTML 标记转换为多维数组
碧海醫心
发布时间：2025-08-12 17:32:01
|
904人浏览过
|
来源于php中文网
原创
本文介绍如何使用 PHP 的 DOMDocument 和 DOMXPath 类，从 HTML 代码中提取无序列表数据，并将其转换为结构化的多维数组，最终以 JSON 格式输出。重点讲解了如何使用 XPath 查询选取特定的 HTML 元素，以及如何处理提取到的文本数据，使其符合目标数组结构。
使用 PHP 和 XPath 解析 HTML 无序列表
本教程将指导你如何使用 PHP 的 DOMDocument 和 DOMXPath 类，从 HTML 字符串中提取数据，并将其转换为多维数组。我们将以提取物流跟踪信息为例，HTML 结构包含多个
HTML;
function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): \DOMDocument
{
$flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET;
$flags = ($flags & ~ $exclude_flags) | $extra_flags;
$domd = new \DOMDocument();
$domd->preserveWhiteSpace = false;
@$domd->loadHTML('' . $html, $flags);
$removeAnnoyingWhitespaceTextNodes = function (\DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void {
if ($node->hasChildNodes()) {
// Warning: it's important to do it backwards; if you do it forwards, the index for DOMNodeList might become invalidated;
// that's why i don't use foreach() - don't change it (unless you know what you're doing, ofc)
for ($i = $node->childNodes->length - 1; $i >= 0; --$i) {
$removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i));
}
}
if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && ! strlen(trim($node->textContent))) {
//echo "Removing annoying POS";
// var_dump($node);
$node->parentNode->removeChild($node);
} //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); }
};
$removeAnnoyingWhitespaceTextNodes($domd);
return $domd;
}
$domd=loadHTML_noemptywhitespace($html);
$xp=new DOMXPath($domd);
2. 使用 XPath 查询
使用 DOMXPath::query() 方法和 XPath 表达式选择所有具有 linha_status 类的
元素。XPath 表达式 //div[contains(@class,'singlepost')]/ul 选取了 class 包含 singlepost 的 div 元素下的所有 ul 元素。
$extracted=[];
foreach($xp->query("//div[contains(@class,'singlepost')]/ul") as $ul){
$ulData=[];
foreach($xp->query("./li", $ul) as $li){
$data = explode(":",$li->nodeValue, 2);
$uldata[trim($data[0])] = trim($data[1]);
}
$extracted[]=$uldata;
}3. 提取 元素的数据
在循环中，我们使用另一个 XPath 表达式 ./li 来选择当前
HTML;
function json_encode_pretty($data, int $extra_flags = 0, int $exclude_flags = 0): string
{
// prettiest flags for: 7.3.9
$flags = JSON_PRETTY_PRINT | JSON_UNESCAPED_SLASHES | JSON_UNESCAPED_UNICODE | (defined("JSON_UNESCAPED_LINE_TERMINATORS") ? JSON_UNESCAPED_LINE_TERMINATORS : 0) | JSON_PRESERVE_ZERO_FRACTION | (defined("JSON_THROW_ON_ERROR") ? JSON_THROW_ON_ERROR : 0);
$flags = ($flags | $extra_flags) & ~ $exclude_flags;
return (json_encode($data, $flags));
}
function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): \DOMDocument
{
$flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET;
$flags = ($flags & ~ $exclude_flags) | $extra_flags;
$domd = new \DOMDocument();
$domd->preserveWhiteSpace = false;
@$domd->loadHTML('' . $html, $flags);
$removeAnnoyingWhitespaceTextNodes = function (\DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void {
if ($node->hasChildNodes()) {
// Warning: it's important to do it backwards; if you do it forwards, the index for DOMNodeList might become invalidated;
// that's why i don't use foreach() - don't change it (unless you know what you're doing, ofc)
for ($i = $node->childNodes->length - 1; $i >= 0; --$i) {
$removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i));
}
}
if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && ! strlen(trim($node->textContent))) {
//echo "Removing annoying POS";
// var_dump($node);
$node->parentNode->removeChild($node);
} //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); }
};
$removeAnnoyingWhitespaceTextNodes($domd);
return $domd;
}
$domd=loadHTML_noemptywhitespace($html);
$xp=new DOMXPath($domd);
$extracted=[];
foreach($xp->query("//div[contains(@class,'singlepost')]/ul") as $ul){
$ulData=[];
foreach($xp->query("./li", $ul) as $li){
$data = explode(":",$li->nodeValue, 2);
$uldata[trim($data[0])] = trim($data[1]);
}
$extracted[]=$uldata;
}
echo json_encode_pretty($extracted);
?>
通过使用 PHP 的 DOMDocument 和 DOMXPath 类，我们可以方便地从 HTML 字符串中提取数据，并将其转换为结构化的多维数组。这种方法非常灵活，可以根据实际的 HTML 结构和数据需求进行调整。 通过本教程，你应该掌握了使用 XPath 解析 HTML 无序列表，并将其转换为 JSON 格式数据的基本方法。 这种方法可以应用于各种场景，例如，从网页中提取数据、解析 XML 文件等。
