XPath提取无序列表为多维数组指南
本文档旨在指导开发者如何使用PHP的DOMDocument和DOMXPath类，将包含状态信息的HTML无序列表结构转换为结构化的多维数组。通过使用XPath查询和数据提取，可以将网页中类似物流跟踪信息的列表转换为易于处理的JSON格式数据，方便后续的数据分析和应用。
本文档旨在指导开发者如何使用 PHP 的 DOMDocument 和 DOMXPath 类，将包含状态信息的 HTML 无序列表结构转换为结构化的多维数组。通过使用 XPath 查询和数据提取，可以将网页中类似物流跟踪信息的列表转换为易于处理的 JSON 格式数据，方便后续的数据分析和应用。
准备工作
首先，确保你的 PHP 环境已经安装并启用了 DOMDocument 和 DOMXPath 扩展。这两个扩展通常是 PHP 默认安装的一部分，但如果遇到问题，可能需要手动启用。
代码实现
以下代码演示了如何将 HTML 字符串转换为多维数组，并最终输出为 JSON 格式。
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：
- 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。
- 使用 XPath 查询 ul 元素：
- $xp->query("//div[contains(@class,'singlepost')]/ul") 使用 XPath 表达式选择所有 class 包含 singlepost 的 div 元素下的所有 ul 元素。
- 循环遍历 ul 元素，提取数据：
- 外层 foreach 循环遍历每个 ul 元素。
- 内层 foreach 循环遍历每个 li 元素。
- explode(":",$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。
- 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。
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
