PHP DOMDocument/XPath无法从Paytm Movies页面提取电影数据问题求助

嗨，我来帮你分析下这个问题！从你的描述来看，能成功获取HTML但提取不了电影卡片内容，大概率是这几个原因导致的，给你几个可行的解决思路：

1. 先处理HTML解析的兼容性问题 #

很多商业网站的HTML代码并不完全符合规范，DOMDocument默认的解析规则可能会因为标签不闭合、特殊字符等问题，导致解析后的DOM结构和实际页面不一致。你可以先开启libxml的错误抑制，确保解析过程顺利：

// 开启错误抑制，避免HTML不规范导致解析失败
libxml_use_internal_errors(true);
$dom = new DOMDocument();
// 加载HTML时设置编码，避免乱码
$dom->loadHTML('<?xml encoding="UTF-8">' . $html);
// 清理错误缓存
libxml_clear_errors();

2. 检查你的XPath路径是否准确 #

Paytm的页面元素class名可能带有动态生成的后缀（比如随机字符串），直接复制浏览器里的完整class名写XPath会失效。建议用contains()来匹配class的核心部分，比如电影名称如果在class="movie-card__name abc123"这样的标签里，XPath可以写成：

$xpath = new DOMXPath($dom);
// 匹配包含movie-card__name的div标签
$movieNames = $xpath->query("//div[contains(@class, 'movie-card__name')]/text()");
foreach ($movieNames as $name) {
    echo trim($name->nodeValue) . "\n";
}

另外，你可以把抓取到的HTML保存成本地文件，用浏览器打开后再右键复制相对可靠的XPath，避免因为动态class导致路径失效。

3. 优先抓取页面的结构化数据（JSON-LD） #

从你给出的代码片段来看，页面里已经嵌入了符合schema.org规范的JSON-LD数据，这比解析DOM结构要可靠得多！你可以直接定位到对应的script标签，提取并解析JSON内容：

$xpath = new DOMXPath($dom);
// 定位到application/ld+json类型的script标签
$scriptNodes = $xpath->query("//script[@type='application/ld+json']");

foreach ($scriptNodes as $node) {
    $jsonContent = trim($node->nodeValue);
    $movieData = json_decode($jsonContent, true);
    
    // 筛选出Movie类型的数据
    if (isset($movieData['@type']) && $movieData['@type'] === 'Movie') {
        echo "电影名称：" . $movieData['name'] . "\n";
        // 其他字段比如genre、description等也可以直接获取
        if (isset($movieData['genre'])) {
            echo "电影类型：" . implode(', ', $movieData['genre']) . "\n";
        }
    }
}

4. 排查是否是动态渲染的问题 #

如果上面的方法都没用，那可能页面的电影卡片是通过JavaScript动态加载的——DOMDocument只能抓取静态HTML，无法执行JS。这种情况下你需要用PhantomJS、Headless Chrome这类工具模拟浏览器渲染页面，再获取完整的HTML内容后进行解析。

备注：内容来源于stack exchange，提问作者Arun sankar