如何使用 simplehtmldom 从此页面提取数据

Question

我正在尝试使用 simplehtmldom 从https://benthamopen.com/browse-by-title/B/1/中提取信息。

具体来说，我想访问页面的以下部分：

<div style="padding:10px;">

<strong>ISSN: </strong>1874-1207<br><div class="sharethis-inline-share-buttons" style="padding-top:10px;" data-url="https://benthamopen.com/TOBEJ/home/" data-title="The Open Biomedical Engineering Journal"></div>

</div>

我有这个代码：

$html = file_get_html('https://benthamopen.com/browse-by-title/B/1/');

foreach($html->find('div[style=padding:10px;]') as $ele) {

    echo("<pre>".print_r($ele,true)."</pre>");

}

...返回（我只显示页面中的一项）

simplehtmldom\HtmlNode Object

(

    [nodetype] => HDOM_TYPE_ELEMENT (1)

    [tag] => div

    [attributes] => Array

        (

            [style] => padding:10px;

        )

    [nodes] => Array

        (

            [0] => simplehtmldom\HtmlNode Object

                (

                    [nodetype] => HDOM_TYPE_ELEMENT (1)

                    [tag] => strong

                    [attributes] => none

                    [nodes] => none

                )

            [1] => simplehtmldom\HtmlNode Object

                (

                    [nodetype] => HDOM_TYPE_TEXT (3)

                    [tag] => text

                    [attributes] => none

                    [nodes] => none

                )

            [2] => simplehtmldom\HtmlNode Object

                (

                    [nodetype] => HDOM_TYPE_ELEMENT (1)

                    [tag] => br

                    [attributes] => none

                    [nodes] => none

                )

我不确定如何从这里继续。我想提取：

• ISSN 文本（在 echo 语句中没有显示 - 不确定为什么）[上例中的 1874-1207]。它是 [nodes] 的元素零

• 'data-url' [https://benthamopen.com/TOBEJ/home/，在上面的示例中]

• “数据标题”[开放生物医学工程杂志，在上面的例子中]

也许我对PHP对象和数组的理解还不够好，我不知道为什么echo语句中没有显示ISSN。

我尝试了各种（很多）方法，但只是努力从元素中提取数据。

Answer 1

我对 simplehtmldom 不熟悉，除了知道避免它之外。因此，我将提出一个使用 PHP 内置 DOM 类的解决方案：<?phplibxml_use_internal_errors(true);// get the HTML$html = file_get_contents("https://benthamopen.com/browse-by-title/B/1/");// create a DOM object and load it up$dom = new DomDocument();$dom->loadHtml($html);// create an XPath object and query it$xpath = new DomXPath($dom);$elements = $xpath->query("//div[@style='padding:10px;']");// loop through the matchesforeach ($elements as $el) {&nbsp; &nbsp; // skip elements without ISSN&nbsp; &nbsp; $text = trim($el->textContent);&nbsp; &nbsp; if (strpos($text, "ISSN") !== 0) {&nbsp; &nbsp; &nbsp; &nbsp; continue;&nbsp; &nbsp; }&nbsp; &nbsp; // get the first div inside this thing&nbsp; &nbsp; $div = $el->getElementsByTagName("div")[0];&nbsp; &nbsp; // dump it out&nbsp; &nbsp; printf("%s %s %s<br/>\n", str_replace("ISSN: ", "", $text), $div->getAttribute("data-title"), $div->getAttribute("data-url"));}XPath 的内容可能有点让人不知所措，但对于像这样的简单搜索，它与 CSS 选择器没有太大区别。希望评论能解释一切，如果没有，请告诉我！输出：1874-1207 The Open Biomedical Engineering Journal https://benthamopen.com/TOBEJ/home/<br/>1874-1967 The Open Biology Journal https://benthamopen.com/TOBIOJ/home/<br/>1874-091X The Open Biochemistry Journal https://benthamopen.com/TOBIOCJ/home/<br/>1875-0362 The Open Bioinformatics Journal https://benthamopen.com/TOBIOIJ/home/<br/>1875-3183 The Open Biomarkers Journal https://benthamopen.com/TOBIOMJ/home/<br/>2665-9956 The Open Biomaterials Science Journal https://benthamopen.com/TOBMSJ/home/<br/>1874-0707 The Open Biotechnology Journal https://benthamopen.com/TOBIOTJ/home/<br/>