DOMXPATH->不获取div的第一个元素

Question

我使用DOMXPath获取特定节点的内容。对于我的问题，除了嵌套div之外，我想获得匹配div的所有文本。

$html = 
'<div itemscope="itemscope" itemtype="http://schema.org/Event">
  <span itemprop="name"> Miami Heat at Philadelphia 76ers - Game 3 (Home Game 1)</span>
  <meta itemprop="startDate" content="2016-04-21">
    Thu, 04/21/16
    8:00 p.m    
  <div itemprop="offers" itemscope="itemscope" itemtype="http://schema.org/AggregateOffer">
    Priced from: <span itemprop="lowPrice">$35</span>
    <span itemprop="offerCount">1938</span> tickets left
  </div>
  <meta itemprop="endDate" content="2020-3-2"> end date of year    
  <div itemprop="attendee" itemscope="itemscope" itemtype="http://schema.org/Person">
     <span itemprop="name">Jane Doe</span>
     <meta itemprop="birthDate" content="1975-05-06"> 
    <div itemprop="sibling" itemscope="itemscope" itemtype="http://schema.org/Person">
        <span itemprop="name">Fatima Zohra</span>
        <meta itemprop="birthDate" content="1991-6-5">Jan 6
     </div>      
  </div>
</div>';

我首先尝试了以下操作，但这并没有返回嵌套的div：

$tags = $xpath->query("//div[@itemscope='itemscope'][not(self::div)]/text()");

我目前的尝试如下，但不起作用：

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$tags = $xpath->query('//div[not(ancestor::div)]');

foreach ($tags as $node) {
    echo $node->nodeValue; // body

}

Answer 1

这个问题最好分为两部分：

1. 返回匹配的div列表。
2. 打印每个div的所有内容，但包含div的内容除外。

以下说明了这一做法：

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$divs = $xpath->query("//div[@itemscope='itemscope']");

foreach ($divs as $div) {
        $nodelist = $xpath->query('child::node()[not(self::div)][normalize-space()]',$div);

        foreach ($nodelist as $node) {
                echo $node->nodeValue . "\n";
        }
        echo "\n---------------------\n";
}

请注意以下事项：

• ‘'child::node()’而不是'*‘包括文本节点
• ‘()删除多余的空格，包括换行符

顺便说一下，“not (祖先：：div)”专门说不要返回嵌套在其他div中的div。

Answer 2

您要查找的http://schema.org/docs/gs.html具有itemprop、itemscope、itemtype和content属性。

所以你的问题实际上是关于如何从那个HMTL文档中获取微观数据。这基本上是一个XML解析的问题。由于schema.org微数据(或多或少是直接的)，我强烈建议使用DOMDocument来加载HMTL文档，而使用SimpleXML来解析数据。

基于libxml的PHP扩展中的解析不能单独使用xpath，因为库只支持XPath1.0，而且您不能使用那个xpath版本完成所有工作。特别是在这种情况下，只选择具有特定属性的子代或自我，该属性相对于不包含具有该特定属性的子节点的context节点。因此，这总是需要一些包装代码。如果您有兴趣阅读更多这方面的内容，我会发现以下问题与您的xpath问题类似：

• XPath/XSLT nested predicates: how to get the context of outer predicate?

因此，相反，将xpath代码包装在某个类中，然后立即访问感兴趣的数据：

$dom = new DOMDocument;
$dom->loadHTML($html);

$micro = new Micro($dom);
$event = $micro->Event;

foreach($event as $name => $value) {
    if ($value->isEmbed()) continue;
    printf("%s => %s\n", $name, $value);
}

给出以下输出：

name =>  Miami Heat at Philadelphia 76ers - Game 3 (Home Game 1)
startDate => 2016-04-21
endDate => 2020-3-2

或者你直接进入：

$micro->Event->name; # Miami Heat at Philadelphia 76ers - Game 3 (Home Game 1)

Microdata class as gist。