使用 simple_html_dom 提取标题下所有段落的方法如下：加载 HTML 内容 使用 file_get_html() 加载目标网页内容。查找标题元素

本教程详细阐述了如何利用 `voku/simple_html_dom` 库，从复杂的HTML结构中准确提取并组织特定标题下的所有段落。文章深入分析了 `next_sibling()` 方法的正确用法，解决了仅获取首个段落的常见问题，并提供了遍历同级元素直至遇到下一个标题的完整解决方案，确保数据按标题分组，结构清晰。

在进行网页内容抓取和数据处理时，我们经常需要从非结构化的HTML中提取特定模式的数据。一个常见的场景是，需要将文章内容按照标题进行分组，例如，提取每个

标题下的所有

段落，并将其组织成一个数组。本文将详细介绍如何使用 voku/simple_html_dom 库高效地实现这一目标。

理解问题：next_sibling() 的局限性

假设我们有以下HTML结构：

Title 1
  
Text 1
  
Text 2
Title 2
  
Text 3
  
Text 4
  
Text 5

我们期望得到的数据结构是：

[
    'Title 1' => ['Text 1', 'Text 2'],
    'Title 2' => ['Text 3', 'Text 4', 'Text 5'],
]

初学者可能会尝试使用 next_sibling('p') 方法来获取标题后的所有段落，例如：

use voku\helper\HtmlDomParser;

$htmlContent = '
Title 1
Text 1
Text 2
Title 2
Text 3
Text 4
Text 5
';
$dom = HtmlDomParser::str_get_html($htmlContent);
$result = [];

foreach ($dom->find('h2') as $h2Element) {
    $paragraphs = [];
    // 尝试获取下一个p标签
    foreach ($h2Element->next_sibling('p') as $pElement) { // 注意：这里可能不会按预期工作
        $paragraphs[] = $pElement->text();
    }
    $result[$h2Element->text()] = $paragraphs;
}

print_r($result);

然而，这种方法往往只能获取到每个

标签后的第一个

标签。这是因为 next_sibling('p') 查找的是当前元素的紧邻的下一个且符合选择器的同级元素。如果后面还有多个

标签，它们并不是 next_sibling('p') 的直接结果集。要获取所有后续的

标签，我们需要更通用的同级元素遍历方法。

解决方案：迭代遍历同级元素

正确的做法是，从每个

元素开始，持续遍历其所有后续的同级元素，直到遇到下一个

元素为止。在遍历过程中，判断当前同级元素的类型，如果是

标签，则将其内容收集起来。

以下是实现此逻辑的详细代码：

Title 1

Text 1

Text 2

Title 2

Text 3

Text 4

Text 5

Title 3

Text 6

'; // 使用 HtmlDomParser 解析HTML字符串 $dom = HtmlDomParser::str_get_html($htmlContent); // 初始化结果数组 $groupedContent = []; // 遍历所有的 h2 元素 foreach ($dom->find('h2') as $h2Element) { $h2Text = $h2Element->text(); // 获取 h2 的文本作为键 $paragraphs = []; // 用于存储当前 h2 下的段落 // 获取 h2 元素的紧邻下一个同级元素 $currentSibling = $h2Element->next_sibling(); // 循环遍历所有后续同级元素，直到没有同级元素或遇到下一个 h2 while ($currentSibling) { // 如果遇到下一个 h2 元素，则停止当前 h2 的段落收集 if ($currentSibling->nodeName() === "h2") { break; } // 如果是 p 元素，则将其文本添加到当前 h2 的段落数组中 if ($currentSibling->nodeName() === "p") { $paragraphs[] = $currentSibling->text(); } // 移动到下一个同级元素 $currentSibling = $currentSibling->next_sibling(); } // 将收集到的段落添加到结果数组中 $groupedContent[$h2Text] = $paragraphs; } // 打印最终结果 echo "

";
print_r($groupedContent);
echo "

"; // 清理 DOM 对象以释放内存 $dom->clear(); unset($dom); ?>

代码解析

1. HtmlDomParser::str_get_html($htmlContent): 将HTML字符串解析成一个DOM对象，方便后续操作。
2. foreach ($dom->find('h2') as $h2Element): 这是一个外层循环，用于遍历HTML文档中所有的

   标签。每次循环，$h2Element 都会指向一个

   元素。

3. $h2Text = $h2Element->text();: 获取当前

   元素的纯文本内容，这将作为我们最终结果数组的键。

4. $currentSibling = $h2Element->next_sibling();: 这是关键一步。我们不再尝试直接匹配 p 标签，而是获取

   元素的紧邻的下一个同级元素，无论它是什么标签。

5. while ($currentSibling): 这是一个内层循环，只要当前还有同级元素存在，就继续遍历。
6. if ($currentSibling->nodeName() === "h2") { break; }: 在内层循环中，我们首先检查当前同级元素的标签名。如果它也是一个

   标签，这意味着我们已经到达了下一个标题的边界，应该停止为当前的 h2Text 收集段落，并跳出内层循环。

7. if ($currentSibling->nodeName() === "p") { $paragraphs[] = $currentSibling->text(); }: 如果当前同级元素是

   标签，则将其纯文本内容添加到 $paragraphs 数组中。

8. $currentSibling = $currentSibling->next_sibling();: 每次循环结束时，我们都会将 $currentSibling 更新为它的下一个同级元素，以便继续遍历。
9. $groupedContent[$h2Text] = $paragraphs;: 当内层循环结束后（即遇到了下一个

   或没有更多同级元素），将收集到的所有段落数组赋值给 $groupedContent 中对应的 h2Text 键。

预期输出

运行上述代码，将得到以下结果：

Array
(
    [Title 1] => Array
        (
            [0] => Text 1
            [1] => Text 2
        )

    [Title 2] => Array
        (
            [0] => Text 3
            [1] => Text 4
            [2] => Text 5
        )

    [Title 3] => Array
        (
            [0] => Text 6
        )

)

注意事项与最佳实践

• HTML结构一致性: 这种方法依赖于HTML结构中

  和

  标签都是同级元素。如果HTML结构更复杂，例如

  标签嵌套在

  中，并且

  是

  的同级元素，则需要调整遍历逻辑。

• 内存管理: 对于非常大的HTML文档，simple_html_dom 可能会消耗较多内存。在处理完DOM对象后，建议使用 $dom->clear(); unset($dom); 来释放内存。
• 错误处理: 在实际应用中，应考虑HTML可能不规范的情况。例如，如果

  后面没有

  标签，或者有其他非预期的标签，当前的逻辑仍然可以正确处理（跳过非

  标签）。

• 性能: 对于极其庞大的HTML文件，频繁地调用 next_sibling() 可能会有性能开销。在性能敏感的场景下，可以考虑其他更底层的DOM解析器或XPath查询。
• 灵活性: 此方法可以很容易地扩展到处理其他标签类型。例如，如果需要提取

  下的所有

  列表，只需在 if ($currentSibling->nodeName() === "p") 旁边添加一个 if ($currentSibling->nodeName() === "ul") 的判断即可。

  总结

  通过灵活运用 voku/simple_html_dom 的 next_sibling() 方法并结合循环判断，我们可以有效地从复杂的HTML结构中提取出按标题分组的段落内容。关键在于理解 next_sibling() 的工作原理，并将其用于迭代遍历所有同级元素，直到遇到预设的终止条件（如下一个标题）。这种模式在网页数据抓取和内容重组中具有广泛的应用价值。