利用PHP DOM解析器高效提取指定HTML标题及其紧邻段落

本教程详细介绍了如何使用php的domdocument和domxpath库，从复杂的html字符串中准确提取特定级别的标题（如h3）及其紧邻的第一个段落。文章强调了避免使用正则表达式解析html的重要性，并提供了一个健壮的dom解析方案，通过xpath查询和元素遍历，实现精确的数据提取，确保代码的稳定性和可维护性。

引言：为何不推荐使用正则表达式解析HTML

在处理HTML内容时，许多开发者会倾向于使用正则表达式来提取所需数据。然而，HTML并非一种规则语言，其结构复杂且存在许多变体（如可选标签、不规范嵌套、属性顺序不一等），这使得编写一个能够稳定、准确解析所有HTML情况的正则表达式变得极其困难，甚至不可能。一旦HTML结构稍有变化，正则表达式就可能失效，导致维护成本高昂且容易出错。

业界普遍共识是，对于HTML解析，应使用专门的HTML解析器。PHP提供了DOMDocument和DOMXPath这两个强大的内置类，它们能够将HTML解析为DOM（文档对象模型）树，允许我们以结构化的方式遍历和查询元素，从而实现更精确、更健壮的数据提取。

使用PHP DOMDocument和DOMXPath提取H3标题及其首段

本节将详细介绍如何利用DOMDocument和DOMXPath来解决从HTML字符串中提取所有

标题及其紧邻的第一个

段落的需求。

1. 准备HTML数据

首先，我们需要一个包含目标标题和段落的HTML字符串作为输入。

立即学习“PHP免费学习笔记（深入）”；

This is my title

This is a text right under my h1 title.
This is some more text under my h1 title

This is my level 2 heading
This is text right under my level 2 heading

First h3
First paragraph for the first h3

Second h3
First paragraph for the second h3

Third h3
First paragraph for the third h3
Second paragraph for the third h3

This is my level 2 heading
This is text right under my level 2 heading
TAG;

?>

2. 加载HTML到DOMDocument

DOMDocument类用于将HTML或XML文档加载到内存中，并将其解析为DOM树。

// 创建一个新的DOMDocument实例
$dom = new DomDocument();

// 加载HTML字符串
// LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD 选项用于处理HTML片段，
// 避免DOMDocument自动添加不必要的、、标签，
// 这对于解析非完整HTML文档非常有用。
$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

3. 创建DOMXPath对象进行查询

DOMXPath类允许我们使用XPath查询语言来选择DOM树中的节点。XPath是一种强大的查询语言，专门用于在XML或HTML文档中查找信息。

// 创建DOMXPath实例，关联到DOMDocument
$xpath = new DOMXPath($dom);

4. 查询所有H3标题并遍历

使用XPath查询表达式//h3可以选中文档中所有

标签。DOMXPath::query()方法会返回一个DOMNodeList对象，其中包含了所有匹配的DOMElement节点。

// 查询所有
标签
$results = $xpath->query("//h3");

// 存储提取到的标题和段落
$extractedData = [];

// 遍历所有找到的
元素
foreach ($results as $h3Element) {
    // 获取
标签的文本内容
    $h3Text = $h3Element->textContent;

    // 初始化段落文本为空
    $paragraphText = '';

    // 获取当前
元素的下一个兄弟元素
    // nextElementSibling 属性返回紧邻当前元素的下一个兄弟元素节点，
    // 如果没有，则返回 null。
    $nextElement = $h3Element->nextElementSibling;

    // 检查下一个元素是否存在且其标签名是否为'p'
    if ($nextElement && 'p' === $nextElement->nodeName) {
        // 如果是
标签，则获取其文本内容
        $paragraphText = $nextElement->textContent;
    }

    // 将提取到的数据添加到结果数组
    $extractedData[] = [
        'heading' => $h3Text,
        'paragraph' => $paragraphText
    ];
}

5. 输出结果

最后，我们可以遍历extractedData数组，以所需的格式输出提取到的标题和段落。

Mistral AI

Mistral AI被称为“欧洲版的OpenAI”，也是目前欧洲最强的 LLM 大模型平台

下载

// 按照期望格式输出结果
foreach ($extractedData as $item) {
    echo "
" . $item['heading'] . "
";
    echo "
" . $item['paragraph'] . "
";
}

完整示例代码

This is my title

This is a text right under my h1 title.
This is some more text under my h1 title

This is my level 2 heading
This is text right under my level 2 heading

First h3
First paragraph for the first h3

Second h3
First paragraph for the second h3

Third h3
First paragraph for the third h3
Second paragraph for the third h3

This is my level 2 heading
This is text right under my level 2 heading
TAG;

// 创建一个新的DOMDocument实例
$dom = new DomDocument();

// 加载HTML字符串
// LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD 选项用于处理HTML片段，
// 避免DOMDocument自动添加不必要的、、标签，
// 这对于解析非完整HTML文档非常有用。
// @ 符号用于抑制loadHTML可能产生的警告，因为HTML不总是规范的
@$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

// 创建DOMXPath实例，关联到DOMDocument
$xpath = new DOMXPath($dom);

// 查询所有
标签
$h3Elements = $xpath->query("//h3");

// 存储提取到的标题和段落
$extractedData = [];

// 遍历所有找到的
元素
foreach ($h3Elements as $h3Element) {
    // 获取
标签的文本内容
    $h3Text = $h3Element->textContent;

    // 初始化段落文本为空
    $paragraphText = '';

    // 获取当前
元素的下一个兄弟元素
    // nextElementSibling 属性返回紧邻当前元素的下一个兄弟元素节点，
    // 如果没有，则返回 null。
    $nextElement = $h3Element->nextElementSibling;

    // 检查下一个元素是否存在且其标签名是否为'p'
    if ($nextElement && 'p' === $nextElement->nodeName) {
        // 如果是
标签，则获取其文本内容
        $paragraphText = $nextElement->textContent;
    }

    // 将提取到的数据添加到结果数组
    $extractedData[] = [
        'heading' => $h3Text,
        'paragraph' => $paragraphText
    ];
}

// 按照期望格式输出结果
echo "\n";
foreach ($extractedData as $item) {
    echo "
" . $item['heading'] . "
\n";
    echo "
" . $item['paragraph'] . "
\n";
}

?>

预期输出

First h3
First paragraph for the first h3
Second h3
First paragraph for the second h3
Third h3
First paragraph for the third h3

注意事项与最佳实践

1. 错误处理：DOMDocument::loadHTML()方法在遇到不规范的HTML时可能会发出警告。在生产环境中，可以使用libxml_use_internal_errors(true)来捕获这些错误而不是直接输出，然后通过libxml_get_errors()获取错误信息进行处理。
2. XPath的灵活性：DOMXPath的强大之处在于其XPath查询能力。例如，如果你只需要特定父元素下的h3，可以使用更具体的XPath路径，如//div[@class="content"]/h3。
3. nextElementSibling与nextSibling：nextElementSibling只返回元素节点，而nextSibling会返回包括文本节点、注释节点在内的任何类型的兄弟节点。在本例中，我们只关心元素，因此nextElementSibling是更合适的选择。
4. HTML结构的假设：本教程的解决方案假设

   后面紧跟着的第一个元素如果是

   ，就是我们需要的段落。如果HTML结构更复杂，例如

   和

   之间可能存在其他标签（如

   ），或者段落可能不在紧邻位置，那么需要调整逻辑，可能需要更复杂的XPath查询或更深入的DOM遍历。
5. 内存消耗：对于非常大的HTML文件，将整个文件加载到DOMDocument可能会消耗大量内存。在这种情况下，可能需要考虑流式解析器或分块处理。

总结

通过本教程，我们学习了如何利用PHP的DOMDocument和DOMXPath库，以一种健壮且高效的方式从HTML字符串中提取特定的标题及其紧邻的第一个段落。这种方法避免了正则表达式解析HTML的固有缺陷，提供了更高的准确性、稳定性和可维护性。掌握DOM解析技术是处理HTML内容时一项非常重要的技能，能够帮助开发者构建更可靠、更专业的Web应用程序。