$domxpath->query - Table 内容

Question

大约两天我收到了使用 DOM 文档而不是正则表达式的建议

我还是不知道如何正确使用查询

下面的link里面是session"TERRITÓRIO E AMBIENTE"，我想获取下面这4行的内容

https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama

$html = file_get_contents( 'https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama' );    
            $document = new DOMDocument();              
            $document->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
            $domxpath = new DOMXPath($document);
            $paragraphs = $domxpath->query('
                //th[*[
                        contains(text(), "TERRITÓRIO E AMBIENTE")
                      ]
                    ]
                /following-sibling::tr[
                        position() = 12 
                    ]'
            );

我输入了 12 <tr> 因为这是源代码中出现的内容，但我不知道我是否正确执行此查询，这对我来说是出现这些错误

Warning: DOMDocument::loadHTML(): Tag app invalid in Entity, line: 25 
Warning: DOMDocument::loadHTML(): Misplaced DOCTYPE declaration in Entity, line: 25
Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 25

谢谢

Answer 1

您的代码中存在几个问题。

你从那个网站得到的HTML是无效的，所以你需要忽略错误（一般不建议这样做，但在这种情况下我认为可以）。

@$document->loadHTML($html);

您要查找的文本是小写的（由于其样式，它显示为大写），因此您需要对其进行规范化或将文本设置为小写
你的做法（生第12胎）太脆弱了。我稍微检查了一下代码，很难让它不那么脆弱，但我认为这很接近：

//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[1]/td[3]

获取包含文本Território e Ambiente的th元素，然后获取父tr标签，然后转到下一个tr兄弟，最后获取第三个 td 元素（值所在的位置）。仍然非常脆弱，但请留意网站的变化，它不太可能改变。

所以现在您需要再重复该 XPath 查询 3 次，更改第 n 个 tr 兄弟（添加两个，因为每个中间都有一个空元素）。它最终看起来像这样：

$document = new DOMDocument();
@$document->loadHTML($html);
$domxpath = new DOMXPath($document);
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[1]/td[3]');
echo "First: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[3]/td[3]');
echo "Second: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[5]/td[3]');
echo "Third: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);
echo "<br>";
$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[7]/td[3]');
echo "Fourth: ".preg_replace('/\s+/', ' ', $paragraphs[0]->nodeValue);

First: 1.521,110 km²
Second: 92,6 %
Third: 74,8 %
Fourth: 50,3 %

注意使用 preg_replace() 来去除大量空白。

并且使用更多的 XPath 魔法，我们可以让它只处理一个查询：

//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[position() mod 2 = 1]/td[3]

与其他元素的工作方式相同，但不是获取特定的 tr 兄弟元素，而是获取所有其他元素。

$paragraphs = $domxpath->query('//th[contains(text(), "Território e Ambiente")]/parent::tr/following-sibling::tr[position() mod 2 = 1]/td[3]');
foreach ($paragraphs as $i => $p) {
    echo ($i + 1)." value: ".preg_replace('/\s+/', ' ', $p->nodeValue);
    echo "<br>";
}

$domxpath->query - Table 内容

$domxpath->query - Table Contents

php

domdocument

domxpath