使用 xpath 过滤提取的数据

Question

我使用以下代码作为 dom 文档的输入

<li id="SalesRank">
<b>Amazon Best Sellers Rank:</b>
#20,267 Paid in Kindle Store (
<a href="http://www.amazon.com/gp/bestsellers/digital-text/ref=pd_dp_ts_kstore_1/190-9295683-0277616">See Top 100 Paid in Kindle Store</a>
) 
<ul class="zg_hrsr">
<li class="zg_hrsr_item">
<span class="zg_hrsr_rank">#15</span>
<span class="zg_hrsr_ladder">
in 
<a href="http://www.amazon.com/gp/bestsellers/digital-text/ref=pd_zg_hrsr_kstore_1_1">Kindle Store</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/154606011">Kindle eBooks</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/157325011">Nonfiction</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/292975011">Lifestyle & Home</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/156699011">Home & Garden</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/156828011">Gardening & Horticulture</a>
 > 
<b>
<a href="http://rads.stackoverflow.com/amzn/click/156847011">Greenhouses</a>
</b>
</span>
</li>
<li class="zg_hrsr_item">
<span class="zg_hrsr_rank">#26</span>
<span class="zg_hrsr_ladder">
in 
<a href="http://www.amazon.com/gp/bestsellers/digital-text/ref=pd_zg_hrsr_kstore_2_1">Kindle Store</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/154606011">Kindle eBooks</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/157325011">Nonfiction</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/292975011">Lifestyle & Home</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/156699011">Home & Garden</a>
 > 
<a href="http://rads.stackoverflow.com/amzn/click/156828011">Gardening & Horticulture</a>
 > 
<b>
<a href="http://rads.stackoverflow.com/amzn/click/156849011">House Plants</a>
</b>
</span>
</li>
</ul></li>

我使用以下 xpath 查询来提取包含 textContent 的数据..

$xpath_cat->query('//li[@id="SalesRank"]');

您可以检查输出，它包括所有 li 标签中包含的数据与 id=salrsrank... 而我只想获得 Kindle 商店中支付的 #20,267..

所以所需的输出是

#20,267 在 Kindle 商店中付款

我如何修改我的 xpath 以获得所需的输出？

更新代码

我尝试了下面提供的解决方案并使用了 xpath

$xpath_cat->query('//li[@id="SalesRank"]/text()');

但现在，输出是

( [0] => [1] => #20,267 在 Kindle 商店中付费 ( [2] => )

我该如何解决这个问题？

Answer 1

//li[@id='SalesRank']/text() 适合您吗？

更新 1

如果您想要的文本始终位于该位置，则将

substring-before(normalize-space(//li[@id='SalesRank']/text()[2]), ' (')

返回

#20,267 Paid in Kindle Store

这使用 normailize-space 去除无关的空格，以及 substring-before< /code> 选择第一次出现“ (”之前的所有文本。

如果您可以在自己的节点中获取目标文本，这个问题会容易得多，例如：

<b>Amazon Best Sellers Rank:</b>
<span>#20,267 Paid in Kindle Store</span> (
<a href="http://www.amazon.com/gp/bestsellers/digital-text/ref=pd_dp_ts_kstore_1/190-9295683-0277616">See Top 100 Paid in Kindle Store</a>
) 

has对渲染没有影响，并允许您专门选择您想要的文本，

如果第二种解决方案在所有情况下都不起作用，并且您现在无法获得自己的目标文本，则您将不得不依赖于一些后处理。主机语言（我认为是 PHP）

希望这有帮助，

Answer 2

假设 $element 是 DOMElement 包含

...

如果您执行以下操作：

foreach( $element->childNodes as $node){
    echo get_class( $node) . "\n";
    // Print content too for debug:
    // echo $node->nodeValue . "\n";
}

您应该得到如下结果：

DOMText // \n
DOMElement // <b>Amazon Best Sellers Rank:</b>
DOMText // #20,267 Paid in Kindle Store (\n
DOMElement // <a ...
...

所以 $element->childNodes-> ;物品（ 2)->nodeValue 应该包含你的字符串（做你的作业，检查每个迭代，检查每个元素的文档）。

您可以简单地获取字符串，直到第一个 (:

$text = $element->childNodes->item( 2)->nodeValue;
$pos = strpos( $text, '(') - 2; // Add handling for no occurance
return substr( $text, 0, $pos);

或者您可以迭代所有子节点并动态检查它

foreach( $element->childNodes as $node){
    // Example, rather use regexp with preg_match
    if( (get_class( $node) == 'DOMText')
        && (strncmp( $node->nodeValue, "\n#", 2) == 0)){
        // Tadaaa
        break;
    }
}

或者如果您想要解决方案会杀死几只小猫：

preg_match( '~(#([\d,]+) ([^<>(]+))~', $element->nodeValue, $match);