使用 PHP 进行抓取 SimpleXML...我可以抓取图像但不能抓取原始文本？

Question

我正在尝试从网站上获取特定的原始文本。 通过这个网站和其他来源，我学会了如何使用 simpleXML 和 xpath 抓取特定图像。

然而，同样的方法似乎不适用于抓取原始文本。 这是现在不起作用的方法。

// first I set the xpath of the div that contains the text I want
$xpath = '//*[@id="storyCommentCountNumber"]';

// then I create a new DOM Document
$html = new DOMDocument();

// then I fetch the file and parse it (@ suppresses warnings).
@$html->loadHTMLFile($url);

// then convert DOM to SimpleXML
$xml = simplexml_import_dom($html);   

// run an XPath query on the div I want using the previously set xpath
$commcount = $xml->xpath($xpath);
print_r($commcount);

现在，当我抓取图像时，该 commcount 对象将返回一个数组，其中包含图像源。

在本例中，我希望该对象返回“storyCommentCountNumber”div 中包含的原始文本。 但该文本似乎并不包含在对象中，而只是 Div 的名称。

我究竟做错了什么？ 我可以看出这种方法仅用于抓取 HTML 元素及其内部的位，而不是原始文本。 如何获取该 div 内的文本？

谢谢！

Answer 1

需要注意的一件事是，当您在 SimpleXML 对象上使用 print_r 或 var_dump 时，您将看不到对象的“文本”（或者有时是属性）。 因此，要查看所有内容，您应该使用 $variable->AsXml() 输出完整的 XML 字符串。

要获取文本，您需要将 SimpleXml 对象转换为字符串。 这会自动拉出内部文本。

 /* remember $commcount is always an array from the xpath */
 foreach($commcount as $str)
 {
     echo (string)$str;
 }

希望以上内容可以给您一个开始。

Answer 2

您能否提供 HTML 示例（可能包括您选择的元素之前和之后的几行？）以及 print_r() 的输出？

您可以尝试以下方法看看是否对您有帮助：

if ( count($commcount) > 0 ) {
    $divContent = $commcount[0]->asXml();
    print $divContent;
}

Answer 3

我知道您正在尝试使用 SimpleXML，但我认为使用正则表达式获取原始文本会更容易。

Answer 4

尝试检查此页面。

:)

Answer 5

div 内的原始文本不是 div 元素本身的一部分，而是 div 元素的第一个子节点的一部分。 div 中应该有一个文本节点，其中包含您要查找的数据。