XPath提取无序列表为多维数组指南

preserveWhiteSpace = false;
    @$domd->loadHTML('' . $html, $flags);
    $removeAnnoyingWhitespaceTextNodes = function (\DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void {
        if ($node->hasChildNodes()) {
            for ($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))) {
            $node->parentNode->removeChild($node);
        }
    };
    $removeAnnoyingWhitespaceTextNodes($domd);
    return $domd;
}

$html = <<


Status: Objeto em trânsito - por favor aguarde
Data  : 24/10/2021 | Hora: 12:04
           
Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE
Destino: Agência dos Correios - Cuitegi / PB



Status: Objeto em trânsito - por favor aguarde
Data  : 19/10/2021 | Hora: 00:03
           
Origem: Unidade de Logística Integrada - Curitiba / PR
Destino: Unidade de Tratamento - Recife / PE



Status: Fiscalização aduaneira finalizada
Data  : 18/10/2021 | Hora: 23:35
Local: Unidade Operacional - Curitiba / PR



Status: Objeto recebido pelos Correios do Brasil
Data  : 16/10/2021 | Hora: 11:45
Local: Unidade de Logística Integrada - Curitiba / PR



Status: Objeto postado
Data  : 14/10/2021 | Hora: 20:30
Local: País -  / 

代码解释：

1. 加载 HTML 并创建 DOMXPath 对象：
   • 使用 DOMDocument 加载 HTML 字符串。
   • 创建 DOMXPath 对象，用于执行 XPath 查询。
   • 使用 loadHTML_noemptywhitespace 函数加载HTML，该函数可以移除HTML中的空白节点，避免干扰XPath查询结果。
2. 使用 XPath 查询 ul 元素：
   • $xp->query("//div[contains(@class,'singlepost')]/ul") 使用 XPath 表达式选择所有 class 包含 singlepost 的 div 元素下的所有 ul 元素。
3. 循环遍历 ul 元素，提取数据：
   • 外层 foreach 循环遍历每个 ul 元素。
   • 内层 foreach 循环遍历每个 li 元素。
   • explode(":",$li->nodeValue, 2) 使用冒号分割 li 元素的文本内容，得到键值对。
   • trim() 函数用于去除键和值两端的空格。
4. 格式化 JSON 输出：
   • json_encode_pretty() 函数用于格式化 JSON 输出，使其更易读。

输出结果：

[
    {
        "Status": "Objeto em trânsito - por favor aguarde",
        "Data": "24/10/2021 | Hora: 12:04",
        "Origem": "Unidade de Tratamento - Jaboatao Dos Guararapes / PE",
        "Destino": "Agência dos Correios - Cuitegi / PB"
    },
    {
        "Status": "Objeto em trânsito - por favor aguarde",
        "Data": "19/10/2021 | Hora: 00:03",
        "Origem": "Unidade de Logística Integrada - Curitiba / PR",
        "Destino": "Unidade de Tratamento - Recife / PE"
    },
    {
        "Status": "Fiscalização aduaneira finalizada",
        "Data": "18/10/2021 | Hora: 23:35",
        "Local": "Unidade Operacional - Curitiba / PR"
    },
    {
        "Status": "Objeto recebido pelos Correios do Brasil",
        "Data": "16/10/2021 | Hora: 11:45",
        "Local": "Unidade de Logística Integrada - Curitiba / PR"
    },
    {
        "Status": "Objeto postado",
        "Data": "14/10/2021 | Hora: 20:30",
        "Local": "País -  /"
    }
]

注意事项

• HTML 结构： 此代码依赖于特定的 HTML 结构。如果 HTML 结构发生变化，XPath 表达式可能需要进行调整。
• 错误处理： 在实际应用中，应该添加适当的错误处理机制，例如检查 DOMDocument::loadHTML() 是否成功加载 HTML，以及 DOMXPath::query() 是否返回了预期的结果。
• 编码问题： 确保 HTML 字符串的编码与 PHP 脚本的编码一致，以避免出现乱码问题。通常建议使用 UTF-8 编码。
• XPath 表达式： 编写正确的 XPath 表达式是至关重要的。可以使用浏览器开发者工具或在线 XPath 测试工具来验证 XPath 表达式的正确性。
• 数据清洗： 在提取数据后，可能需要进行进一步的数据清洗，例如去除多余的空格、转换日期格式等。

总结

本文档提供了一个使用 PHP 的 DOMDocument 和 DOMXPath 类将 HTML 无序列表转换为多维数组的示例。通过使用 XPath 查询和数据提取，可以将网页中的结构化数据转换为易于处理的格式。在实际应用中，需要根据具体的 HTML 结构和需求进行适当的调整和优化。