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
立即学习“前端免费学习笔记（深入）”；
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
立即学习“前端免费学习笔记（深入）”；
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
立即学习“前端免费学习笔记（深入）”；
Title 2
Text 3
Text 4
Text 5
Title 3
Not a paragraph
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
-
HtmlDomParser::str_get_html($htmlContent): 将HTML字符串解析成一个DOM对象，方便后续操作。
-
foreach ($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。
-
$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。
-
$currentSibling = $h2Element->next_sibling();: 这是关键一步。我们不再尝试直接匹配 p 标签，而是获取
元素的紧邻的下一个同级元素，无论它是什么标签。
-
while ($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。
-
if ($currentSibling->nodeName() === "h2") { break; }: 在内层循环中，我们首先检查当前同级元素的标签名。如果它也是一个
标签，这意味着我们已经到达了下一个标题的边界，应该停止为当前的 h2Text 收集段落，并跳出内层循环。
-
if ($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。
-
$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。
-
$groupedContent[$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。
