如何检索与找到的特定 HTML 节点相关的 parent 元素文本？

Question

我正在编写一个通用的 HTML 资源管理器，它可以执行一系列操作，例如访问页面、查找 table、查找行、存储数据等。它使用 Goutte/Guzzle 在内部，因此可以使用 CSS 和 XPath 选择器。关于相对于现有结果集选择新结果集，我遇到了一个有趣的问题。

考虑这个演示 HTML:

    <h2>Burrowing</h2>
    <ul>
        <li>
            <a href="/jobs/junior-mole">Junior Mole</a>
        </li>
        <li>
            <a href="/jobs/head-of-badger-partnerships">Head of Badger Partnerships</a>
        </li>
        <li>
            <a href="/jobs/trainee-worm">Trainee Worm</a>
        </li>
    </ul>

    <h2>Tree Surgery</h2>
    <ul>
        <li>
            <a href="/jobs/senior-woodpecker">Senior Woodpecker</a>
        </li>
        <li>
            <a href="/jobs/owl-supervisor">Owl Supervisor</a>
        </li>
    </ul>

    <h2>Grass maintenance</h2>
    <ul>
        <li>
            <a href="/jobs/trainee-sheep">Trainee sheep</a>
        </li>
        <li>
            <a href="/jobs/sheep-shearer">Sheep shearer</a>
        </li>
    </ul>

    <h2>Aerial supervision</h2>
    <ul>
        <li>
            <a href="/jobs/head-magpie-ops">Head of Magpie Operations</a>
        </li>
    </ul>

我运行此 CSS 查询以获取 link 中的角色（这正确地获取了八个项目）：

ul li a

对于每一个，我都想获得类别，即在每种情况下 <ul> 之前的 <h2>。现在我可以用绝对 CSS 选择器来做到这一点：

h2

然而这得到了四个结果，所以我不知道哪个类别 (h2) 与哪个工作 (link) 对应。我需要获得八个结果：三个批次的第一类，两个第二类，两个第三类和一个第四类，所以每个类别对应每个角色。

我想知道是否为此需要一个 parent 选择器，所以我从 CSS 切换到 XPath，并首先尝试了这个，它让每个 h2 都有一个紧随其后的列表项：

//h2[(following-sibling::ul)[1]/li/a]

找到具有指定 parent 结构的 h2s，但再次返回四个结果 - 不好。

下一次尝试：

//ul/li[../preceding-sibling::h2[1]]

获得正确数量的结果（基于获得紧接其前的标题的列表项）但获得 link 文本，而不是类别文本。

我想过做一个循环——我知道我有八个结果，所以我可以这样做（X 是一个从 1 到 8 循环的注入变量）。这行得通，但我认为在这里添加一个手动循环相当不雅——我试图让我的规则尽可能通用：

//li[X]/../preceding-sibling::h2[1]

有没有XPath操作可以return得到需要的结果？为避免疑义，我正在寻找以下内容（或者只是文本元素就可以了）：

<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Tree Surgery</h2>
<h2>Tree Surgery</h2>
<h2>Grass maintenance</h2>
<h2>Grass maintenance</h2>
<h2>Aerial supervision</h2>

CSS 也可以，但我认为这是不可能的，因为 CSS 没有 parent 运算符（无论如何，Goutte 只是转换 CSS 选择器转换为 XPath 选择器）。

因为我在 PHP (5.5)，我相信我必须坚持使用 XPath 1.0。

Answer 1

所以我不确定你是如何尝试使用它的，但我会尝试类似的东西：

$links = $cralwer->filter('ul li a');
foreach ($links as $link) {
   // do stuff with the link
   // ...
   // get the H2
   $header = $link->parents()->filter('ul[../preceding-sibling::h2]');
   // do stuff with the header
}

请注意，这是未经测试的，我通过直接查看 Symfony\Component\DomCrawler API 得出它，但我认为它应该基于此工作（除非我的 XPath 错误 - 但如果我这样做应该是对你来说很容易锻炼。

您当然也可以使用 Symfony\Component\DomCrawler::each 并在闭包内执行此操作而不是执行 foreach...

Answer 2

不，没有一个 XPath 1.0 表达式可以returns您想要的。首先因为 XPath 1.0 不允许迭代中间结果，其次因为项目序列是 defined as a node-set - 其中不能有重复项。

我可以看到两种可能的解决方案来解决您的问题。要么写 PHP 代码

首先检索所有相关的 a 节点，例如用 //a
依次对它们中的每一个应用第二个 XPath 表达式：preceding::h2[1]

您必须自己编写 PHP 代码，因为我的技能很差。但我可以提供一个替代方案：您也可以使用 XSLT 1.0 转换，there are XSLT 1.0 processors in PHP.

样式表

<?xml version="1.0" encoding="UTF-8" ?>
<xsl:transform xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">
    <xsl:output method="xml" omit-xml-declaration="yes" indent="yes" />

    <xsl:template match="/">
      <xsl:for-each select="//a">
          <xsl:copy-of select="preceding::h2[1]"/>
      </xsl:for-each>
    </xsl:template>

</xsl:transform>

应用于您的输入（添加根元素后），结果为

<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Burrowing</h2>
<h2>Tree Surgery</h2>
<h2>Tree Surgery</h2>
<h2>Grass maintenance</h2>
<h2>Grass maintenance</h2>
<h2>Aerial supervision</h2>

在线试用 here. By the way, if you're interested in how to do it with XPath 2.0 using for, as you mentioned in a comment, see this version instead:

for $a in //a return $a/preceding::h2[1]

如何检索与找到的特定 HTML 节点相关的 parent 元素文本？

How to retrieve parent element text relative to specific found HTML nodes?

php

xpath

css-selectors