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。
<?php
function json_encode_pretty($data, int $extra_flags = 0, int $exclude_flags = 0): string
{
// 格式化 JSON 输出
$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
{
// 加载 HTML 并移除空白节点
$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 ($node->hasChildNodes()) {
for ($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 = <<<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;
$domd=loadHTML_noemptywhitespace($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);
?>代码解释：
立即学习“前端免费学习笔记（深入）”；
-
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。
