PHP/DOM解析HTML：如何精准提取每个news项的标题与日期？

问题场景 #

我有如下HTML代码：

<div class="news">
    <h3 class="border-bottom">Title 2</h3>
    <p class="mt-0 ml-1">2023-04-01</p>
    <img src="20230401.jpg" class="w-50 float-right ml-2">
    <p class="lead"><p>Description 2</p></p>
    <a href="https://.../news/245" class="btn btn-secondary">Read more</a>
</div>
<div class="news">
    <h3 class="border-bottom">Title 1</h3>
    <p class="mt-0 ml-1">2023-03-31</p>
    <img src="20230331.jpg" class="w-50 float-right ml-2">
    <p class="lead"><p>Description 1</p></p>
    <a href="https://.../news/244" class="btn btn-secondary">Read more</a>
</div>

我尝试用以下PHP代码提取每个news项的标题和日期：

$class = "news";
$dom = new DOMDocument();
$dom->loadHTML($html);
$a = new DOMXPath($dom);
$divs = $a->query("//*[contains(concat(' ', normalize-space(@class), ' '), ' $class ')]");

foreach ($divs as $link) {
    print_r($link->nodeValue);
}

但输出了每个div下的全部文本内容：

Title 2
2023-04-01
Description 2
Read more
Title 1
2023-03-31
Description 1
Read more

需要实现精准提取标题和日期的需求。

解决方案 #

你可以在遍历每个news div时，通过XPath在当前节点范围内查询目标元素（h3标题和日期p标签），从而精准获取所需内容。修改后的代码如下：

$class = "news";
$dom = new DOMDocument();
// 忽略HTML解析中的警告，避免因不规范HTML报错
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
// 定位所有class包含news的div元素
$newsDivs = $xpath->query("//div[contains(concat(' ', normalize-space(@class), ' '), ' $class ')]");

$newsItems = [];
foreach ($newsDivs as $div) {
    // 在当前div下查询h3标题
    $titleNode = $xpath->query(".//h3[@class='border-bottom']", $div)->item(0);
    // 在当前div下查询日期p标签
    $dateNode = $xpath->query(".//p[@class='mt-0 ml-1']", $div)->item(0);
    
    if ($titleNode && $dateNode) {
        $newsItems[] = [
            'title' => trim($titleNode->nodeValue),
            'date' => trim($dateNode->nodeValue)
        ];
    }
}

// 输出结果
print_r($newsItems);

代码说明： #

• 使用libxml_use_internal_errors(true)忽略HTML解析时的警告，避免页面存在不规范HTML时导致解析失败。
• 在遍历每个news div时，XPath查询使用.开头，表示仅在当前节点（即当前news div）范围内搜索，避免匹配到全局的h3或p标签。
• 通过@class='xxx'精准定位目标元素，确保获取的是标题和日期对应的标签。
• 使用trim()去除文本内容中的多余空格和换行符，让结果更整洁。

运行上述代码后，会得到结构化的结果：

Array
(
    [0] => Array
        (
            [title] => Title 2
            [date] => 2023-04-01
        )

    [1] => Array
        (
            [title] => Title 1
            [date] => 2023-03-31
        )

)

内容的提问来源于stack exchange，提问作者Jibeji