提问人:Sophie 提问时间:10/26/2021 最后编辑:mickmackusaSophie 更新时间:10/27/2021 访问量:182
使用 xpath 将无序列表 html 标记转换为多维数组
Convert unordered list html markup into a multidimensional array using xpath
问:
我正在尝试创建一个数组来重现以下代码:
<div class="singlepost">
<ul class="linha_status" style="">
<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" style="">
<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" style="">
<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" style="">
<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" style="">
<li>Status: <b>Objeto postado</b></li>
<li>Data : 14/10/2021 | Hora: 20:30</li>
<li>Local: País - / </li>
</ul>
</div>
我正在使用 xpath 和 foreach 来创建数组,但结果并不幸运......它正在工作,但不是我需要的输出,这是我编写的代码:
$doc = new DOMDocument();
$doc->loadHTML($htmlString);
$xpath = new DOMXPath($doc);
$geral = $xpath->evaluate('//ul[@class="linha_status"]');
foreach ($geral as $name) {
$total[] = $name->nodeValue;
}
var_dump($total);
我的实际代码产生以下输出:
array(5) {
[0] => string(195)
" 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"
[1] => string(189)
" 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"
[2] => string(128)
" Status: Fiscalização aduaneira finalizada Data : 18/10/2021 | Hora: 23:35 Local: Unidade Operacional - Curitiba / PR"
[3] => string(145)
" Status: Objeto recebido pelos Correios do Brasil Data : 16/10/2021 | Hora: 11:45 Local: Unidade de Logística Integrada - Curitiba / PR"
[4] => string(83)
" Status: Objeto postado Data : 14/10/2021 | Hora: 20:30 Local: País - / "
}
这是我想要的输出:
"eventos": [{
"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 - /"
}]
答:
1赞
Percian Joseph Borja
10/26/2021
#1
$total = [];
$ind = 0;
foreach ($geral as $name) {
$s = explode("\n",$name->nodeValue);
foreach($s as $ss){
if(str_contains($ss,"Status: ")){
$total[$ind]["status"] = str_replace('Status: ','',$ss);
}
if(str_contains($ss,"Data : ")){
$data = str_replace('Data : ','',$ss);
$data = str_replace('Hora: ','',$data);
$data = explode(" | ",$data);
$total[$ind]["data"] = $data[0];
$total[$ind]["hora"] = $data[1];
}
if(str_contains($ss,"Origem: ")){
$total[$ind]["origem"] = str_replace('Origem: ','',$ss);
}
if(str_contains($ss,"Destino: ")){
$total[$ind]["destino"] = str_replace('Destino: ','',$ss);
}
if(str_contains($ss,"Local: ")){
$total[$ind]["local"] = str_replace('Local: ','',$ss);
}
}
$ind++;
}
print_r($total);
只要确保 li 后面有一个新行即可。HTML 上的不一致可能会破坏输出。对不起。
PHP v8.0 版本
评论
0赞
Sophie
10/26/2021
您好Percian,感谢您的回复,但它不起作用,我收到错误500(我使用的是PHP 7.3)
0赞
hanshenrik
10/26/2021
我认为你应该explode(":",$nodeValue, 2)
0赞
Percian Joseph Borja
10/26/2021
str_contains仅适用于版本 8.0。您可以在更高版本的 php 中使用str_pos。
0赞
Sophie
10/26/2021
右。。我做了更改(将所有“str_contains”替换为“str_pos”),但一直不工作=/有任何想法吗?
0赞
Sophie
10/26/2021
@hanshenrik 嘿,伙计,谢谢你的评论,但你能向我解释一下我需要把这段代码放在哪里吗?
2赞
hanshenrik
10/26/2021
#2
或
function json_encode_pretty($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($extracted);
打印:
[
{
"Status": "Objeto em trânsito - por favor aguarde",
"Data": "24/10/2021 | Hora: 12:04",
"Origem": "Unidade de Tratamento - Jaboatao Dos Guararapes / PE",
"Destino": "Agência dos Correios - Cuitegi / PB"
},
{
"Status": "Objeto em trânsito - por favor aguarde",
"Data": "19/10/2021 | Hora: 00:03",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE"
},
{
"Status": "Fiscalização aduaneira finalizada",
"Data": "18/10/2021 | Hora: 23:35",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "Unidade Operacional - Curitiba / PR"
},
{
"Status": "Objeto recebido pelos Correios do Brasil",
"Data": "16/10/2021 | Hora: 11:45",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "Unidade de Logística Integrada - Curitiba / PR"
},
{
"Status": "Objeto postado",
"Data": "14/10/2021 | Hora: 20:30",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "País - /"
}
]
评论
0赞
Sophie
10/26/2021
嘿@hanshenrik,只有一件事,我正在尝试理解您的代码以分离您的值: “数据”: “14/10/2021 |Hora:20:30“到>”数据“:”2021 年 10 月 14 日“和”Hora:20:30“,你能再给我一个帮助吗?我真的需要分离的 thoose 值来插入 BD ;/
1赞
hanshenrik
10/26/2021
检查@Percian如何解决该特定问题。类似的东西$data = explode(":",$li->nodeValue, 2); if(trim($data[0]) === "Data"){ $data[1]=explode(" | Hora: ",$data[1]);$uldata["Data"]=$data[1][0];$uldata["Hora"]=$data[1][1]; }else{ $uldata[trim($data[0])] = trim($data[1]); }
1赞
jspit
10/26/2021
#3
如果使用 xpath 两次,解决方案会更容易一些。一次用于 ul 标签,一次用于底层 li 标签。分裂只需通过爆炸即可完成。
$doc = new DOMDocument();
$doc->loadHTML($htmlString);
$xpath = new DOMXPath($doc);
$geral = $xpath->query('//ul[@class="linha_status"]');
$total = [];
foreach ($geral as $node) {
$sArr = [];
$li = $xpath->query('li',$node);
foreach($li as $item){
$liVal = $item->nodeValue;
$parts = explode("|",$liVal);
foreach($parts as $part){
list($key,$val) = explode(':',$part);
$sArr[trim($key)] = trim($val);
}
}
$total[] = $sArr;
}
$result = json_encode($total, JSON_PRETTY_PRINT | JSON_UNESCAPED_UNICODE | JSON_UNESCAPED_SLASHES);
在沙盒或 https://3v4l.org/3E2G3 中亲自尝试。
1赞
mickmackusa
10/26/2021
#4
为了方便起见,我绝对支持@jspit使用嵌套 xpath 调用的建议,但我更喜欢几种不同的编码选择。以下是我的片段细分:
- 使用 UTF-8 编码加载文档以保留多字节字符
- 使用 xpath 循环访问具有限定类的所有标签
<ul>
- 使用 xpath 迭代所有 !嵌套在排位赛中的标记
<li>
<ul>
- 按管道拆分文本以形成 1 个或多个段 -- 不需要限制器
<li>
- 将每个段段按第一个出现的冒号拆分 - 将爆炸限制为 2 个部分至关重要,因为某些段包含多个冒号;在这次爆炸期间删除空格可以节省以后两次呼叫的麻烦
trim()
- 将键值对推送到结果数组中,该数组具有与父 ul 相关的一级索引。
代码:(演示)
$result = [];
$doc = new DOMDocument;
$doc->loadHTML('<?xml encoding="UTF-8">' . $htmlString);
$xpath = new DOMXPath($doc);
foreach ($xpath->query('//ul[@class="linha_status"]') as $i => $ul) {
foreach ($xpath->query('li', $ul) as $li) {
foreach (explode("|", $li->nodeValue) as $segment) {
[$key, $result[$i][$key]] = preg_split('/\s*:\s*/', trim($segment), 2);
}
}
}
var_export($result);
输出:
array (
0 =>
array (
'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',
),
1 =>
array (
'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',
),
2 =>
array (
'Status' => 'Fiscalização aduaneira finalizada',
'Data' => '18/10/2021',
'Hora' => '23:35',
'Local' => 'Unidade Operacional - Curitiba / PR',
),
3 =>
array (
'Status' => 'Objeto recebido pelos Correios do Brasil',
'Data' => '16/10/2021',
'Hora' => '11:45',
'Local' => 'Unidade de Logística Integrada - Curitiba / PR',
),
4 =>
array (
'Status' => 'Objeto postado',
'Data' => '14/10/2021',
'Hora' => '20:30',
'Local' => 'País - /',
),
)
评论