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

使用 xpath 将无序列表 html 标记转换为多维数组

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 <ul> 元素，每个 <ul> 包含多个 <li> 元素，每个 <li> 元素包含状态、日期、地点等信息。

1. 加载 HTML 并创建 DOMXPath 对象

首先，我们需要将 HTML 字符串加载到 DOMDocument 对象中，并创建一个 DOMXPath 对象，以便使用 XPath 查询 HTML 元素。

立即学习“前端免费学习笔记（深入）”；

$html = <<<HTML
<div class="singlepost">

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 24/10/2021 | Hora: 12:04</li>           
<li>Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE</li>
<li>Destino: Agência dos Correios - Cuitegi / PB</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 19/10/2021 | Hora: 00:03</li>           
<li>Origem: Unidade de Logística Integrada - Curitiba / PR</li>
<li>Destino: Unidade de Tratamento - Recife / PE</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Fiscalização aduaneira finalizada</b></li>
<li>Data  : 18/10/2021 | Hora: 23:35</li>
<li>Local: Unidade Operacional - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto recebido pelos Correios do Brasil</b></li>
<li>Data  : 16/10/2021 | Hora: 11:45</li>
<li>Local: Unidade de Logística Integrada - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto postado</b></li>
<li>Data  : 14/10/2021 | Hora: 20:30</li>
<li>Local: País -  / </li>
</ul>

</div>
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('<?xml encoding="UTF-8">' . $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 <ul> 元素

使用 DOMXPath::query() 方法和 XPath 表达式选择所有具有 linha_status 类的 <ul> 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 <li> 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 <ul> 元素下的所有 <li> 元素。然后，我们遍历每个 <li> 元素，提取其文本内容。

意兔-AI漫画相机

照片变漫画手绘，做周边好物

下载

4. 构建多维数组

将提取到的数据存储到 $extracted 数组中。每个 <ul> 元素的数据都存储为一个关联数组，键是 <li> 标签中的冒号前的内容，值是冒号后的内容。

5. 输出 JSON 格式

最后，使用 json_encode() 函数将多维数组转换为 JSON 格式的字符串。为了使 JSON 字符串更易于阅读，可以使用 JSON_PRETTY_PRINT 选项。

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, $flags));
}
echo json_encode_pretty($extracted);

完整代码示例

<?php

$html = <<<HTML
<div class="singlepost">

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 24/10/2021 | Hora: 12:04</li>           
<li>Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE</li>
<li>Destino: Agência dos Correios - Cuitegi / PB</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 19/10/2021 | Hora: 00:03</li>           
<li>Origem: Unidade de Logística Integrada - Curitiba / PR</li>
<li>Destino: Unidade de Tratamento - Recife / PE</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Fiscalização aduaneira finalizada</b></li>
<li>Data  : 18/10/2021 | Hora: 23:35</li>
<li>Local: Unidade Operacional - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto recebido pelos Correios do Brasil</b></li>
<li>Data  : 16/10/2021 | Hora: 11:45</li>
<li>Local: Unidade de Logística Integrada - Curitiba / PR</li>
</ul>

<ul class="linha_status" >
<li>Status: <b>Objeto postado</b></li>
<li>Data  : 14/10/2021 | Hora: 20:30</li>
<li>Local: País -  / </li>
</ul>

</div>
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('<?xml encoding="UTF-8">' . $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);

?>

注意事项

确保 HTML 结构是有效的，否则 XPath 查询可能无法正常工作。
@ 符号用于抑制 loadHTML 函数的警告信息，因为 HTML 可能包含无效的标记。
XPath 表达式可以根据实际的 HTML 结构进行调整。
json_encode() 函数的选项可以根据需要进行调整，例如，使用 JSON_UNESCAPED_UNICODE 选项可以避免 Unicode 字符被转义。
loadHTML_noemptywhitespace 函数用于移除HTML中的空白文本节点，避免解析结果中出现多余的空格。

总结

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。

PHP如何调用B站AI弹幕分析_提交视频ID获情感倾向数据【解析】

PHP怎么用依图AI医疗_传病例文本调诊断辅助模型获建议【真经】

PHP怎么用有道AI翻译_递原文语种调模型得精准译文【攻略】

PHP怎么用达观数据AI_传合同文本调审查模型获风险点【硬功】

PHP怎么用同盾AI风控_传交易数据调评分模型得风险值【固法】