HTML文檔的PHP XPATH省略了所有標記。 我想保留它們

Question

我正在使用XPATH解析HTML文檔，我想保留所有內部html標記。

有問題的html是一個包含許多列表元素的無序列表。

<ul id="adPoint1"><li>Business</li><li>Contract</li></ul>

我正在使用以下PHP代碼解析文檔

$dom = new DOMDocument();
@$dom->loadHTML($output);
$this->xpath = new DOMXPath($dom);
$testDom = $this->xpath->evaluate("//ul[@id='adPoint1']");
$test = $testDom->item(0)->nodeValue;
echo htmlentities($test);

由於某種原因，輸出始終從中省略了html標記。 我認為這是因為XPATH不打算以這種方式使用，但無論如何都在這周圍？

我真的想繼續使用XPATH，因為我已經用它來解析頁面的其他區域（單個href元素）沒有問題。

編輯：我知道有一種更好的方法來通過遍歷UL的子元素來獲取數據。 頁面中有一個更復雜的部分，我也想解析（javascript塊），但我試圖提供一個更容易理解的例子。

我想要的實際代碼塊是

<script language="javascript">document.write(rot_decode('<u7>Pbagnpg Qrgnvyf</u7><qy vq="pbagnpgQrgnvyf"><qg>Cu:</qg><qq>(58) 0078 8455</qq></qy>'));</script>

它的問題是它省略了所有結束標記但保留了開始標記。 我猜這是因為XPATH試圖解析內部元素而不是僅僅將其視為字符串。

如果我嘗試選擇腳本元素

$testDom = $this->xpath->evaluate("//div[@id='businessDetails']/script");
$test = $testDom->item(0)->nodeValue;
echo htmlentities($test);

我的輸出將是，您可以看到缺少所有結束標記。

document.write(rot_decode('<u7>Pbagnpg Qrgnvyf<qy vq="pbagnpgQrgnvyf"><qg>Cu:<qq>(58) 0078 8455'));

Answer 1

我認為XPATH不適合我想要的，現在使用PHP Simple HTML DOM Parser ，它更適合於任務。

它維護內部html格式就好了。

foreach($this->simpleDom->find('script[language=javascript]') as $script) {
        echo htmlentities($script->innertext());
}

Answer 2

是的，你是對的，DOM解析子元素（因為它們是元素而不是字符串），從子元素獲取數據的正確方法是遍歷所有元素。 但是，實現這一點並不復雜。
您可能也想嘗試不同的XPath表達式，而不是

//ul[@id='adPoint1']

嘗試

//ul[@id='adPoint1']/li

這將選擇具有實際字符串值的元素。
如果同時給出預期結果（對於ul和腳本），也許你會得到更多的答案。

Answer 3

將Node作為saveHTML（）調用中的可選參數傳遞給所有者文檔對象。

string DOMDocument::saveHTML ([ DOMNode $node = NULL ] )

看到...

http://php.net/manual/en/domdocument.savehtml.php