使用 DOMDocument 进行网络抓取

我正在尝试使用以下方法抓取网页内容file_get_contents抓取 HTML，然后使用DOMDocument目的。我的问题是我无法获得适当的信息。我不确定这是否是因为我正在使用DOMDocument的方法错误，或者我的源代码中的 (X)HTML 很差。

在源代码中，有一个 id 为“cards”的元素，它有两个子元素divs。我想要第一个孩子，它有很多孩子divs，而他们又拥有anchor孩子与div孩子。我想要href来自anchor以及它的子节点的 nodeValuediv.

结构是这样的：

<div id="cards">
    <div class="grid">
        <div class="card-wrap">
            <a href="linkValue">
                <img src="..."/>
                <div>nameValue</div>
            </a>
        </div>
        ...
   </div>
   <div id="...">
   </div>
</div>

我已经开始了$cards = $dom->getElementById("cards")。我得到一个 DOMText 对象、一个 DOMElement 对象、一个 DOMText 对象、一个 DOMElement 对象和一个 DOMText 对象。然后我用$grid = $cards->childNodes->item(1)获取第一个 DOMElement 对象，这可能是.grid元素。但是，当我使用以下命令迭代 $grid 时：

foreach($grid->childNodes as $item){
    if($item->nodeName == "div"){
        echo $item->nodeName,' | ',$item->nodeValue,'<br>';
    }
}

我最终得到一个充满“div | nameValue”的页面，其中 nameValue 是嵌入的 divnodeValue，并且我无法找到anchors 得到他们的href value.

我是否对 DOMDocument 做了一些明显错误的事情，或者可能还有更多问题发生？

好吧，从你的示例代码来看if($item->nodeName == "div"){非常会排除任何<a>标签。另外，我不相信childNodes允许递归迭代。

因此，要访问有问题的节点，您could use:

$children = $dom->getElementById("cards")->childNodes
                ->item(1)->childNodes->item(1)->childNodes;

然而，正如您所看到的，这非常混乱......介绍 XPath：

• http://php.net/manual/en/class.domxpath.php http://php.net/manual/en/class.domxpath.php
• http://www.w3schools.com/xpath/xpath_syntax.asp http://www.w3schools.com/xpath/xpath_syntax.asp