需要帮助抓取网页——获取特定内容...

Question

我有一个表，其列数可以根据报废页面的配置而改变（我无法控制它）。我只想获取由列标题指定的特定列中的信息。

这是一个简化的表：

<table>
<tbody>
<tr class='header'>
    <td>Image</td>
    <td>Name</td>
    <td>Time</td>
</tr>
<tr>
    <td><img src='someimage.png' /></td>
    <td>Name 1</td>
    <td>13:02</td>
</tr>
<tr>
    <td><img src='someimage.png' /></td>
    <td>Name 2</td>
    <td>13:43</td>
</tr>
<tr>
    <td><img src='someimage.png' /></td>
    <td>Name 3</td>
    <td>14:53</td>
</tr>
</tbody>
</table>

我只想提取表的名称（第 2 列）。然而，如前所述，列顺序无法得知。例如，“图像”列可能不存在，在这种情况下，我想要的列将是第一个。

我想知道是否有任何方法可以使用 DomDocument/DomXPath 来做到这一点。也许在第一个tr中搜索字符串“Name”，找出它是哪个列索引，然后使用它来获取信息。一个不太优雅的解决方案是查看第一列是否有 img 标记，在这种情况下，图像列是第一个，因此我们可以抛出这种方式并使用下一个。

看了大约一个半小时，但我对DomDocument的功能和操作并不熟悉。这个问题有很多麻烦。

Answer 1

简单的 HTML DOM 解析器可能很有用。你可以查一下说明书。基本上你应该使用类似的东西；

$url = "file url";
$html = file_get_html($url);
$header = $html->find('tr.header td');
$i = 0;
foreach ($header as $element){
 if ($element->innerText == 'Image') { $num = $i; }
 $i++;
}

我们找到哪一列（$num）是图像列。您可以添加额外的代码来改进。

PS：找到所有图像源的简单方法；

$images = $html->find('tr td img');
foreach ($images as $image){
 $imageUrl[] = $image->src;
}