小贝子编程

使用xpath将无序列表html标记转换为多维数组



我试图创建一个数组来复制下面的代码:

<div class="singlepost">

<ul class="linha_status" style="">
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 24/10/2021 | Hora: 12:04</li>           
<li>Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE</li>
<li>Destino: Agência dos Correios - Cuitegi / PB</li>
</ul>
<ul class="linha_status" style="">
<li>Status: <b>Objeto em trânsito - por favor aguarde</b></li>
<li>Data  : 19/10/2021 | Hora: 00:03</li>           
<li>Origem: Unidade de Logística Integrada - Curitiba / PR</li>
<li>Destino: Unidade de Tratamento - Recife / PE</li>
</ul>
<ul class="linha_status" style="">
<li>Status: <b>Fiscalização aduaneira finalizada</b></li>
<li>Data  : 18/10/2021 | Hora: 23:35</li>
<li>Local: Unidade Operacional - Curitiba / PR</li>
</ul>
<ul class="linha_status" style="">
<li>Status: <b>Objeto recebido pelos Correios do Brasil</b></li>
<li>Data  : 16/10/2021 | Hora: 11:45</li>
<li>Local: Unidade de Logística Integrada - Curitiba / PR</li>
</ul>
<ul class="linha_status" style="">
<li>Status: <b>Objeto postado</b></li>
<li>Data  : 14/10/2021 | Hora: 20:30</li>
<li>Local: País -  / </li>
</ul>
</div>

我正在使用xpath和foreach来创建数组，但是没有得到幸运的结果…它正在工作，但不是我需要的输出，这是我写的代码:

$doc = new DOMDocument();
$doc->loadHTML($htmlString);
$xpath = new DOMXPath($doc);
$geral = $xpath->evaluate('//ul[@class="linha_status"]');
foreach ($geral as $name) {
$total[] = $name->nodeValue;
}
var_dump($total);

我的实际代码产生如下输出:

array(5) {
[0] => string(195)
" Status: Objeto em trânsito - por favor aguarde Data : 24/10/2021 | Hora: 12:04 Origem: Unidade de Tratamento - Jaboatao Dos Guararapes / PE Destino: Agência dos Correios - Cuitegi / PB" 
[1] => string(189)
" Status: Objeto em trânsito - por favor aguarde Data : 19/10/2021 | Hora: 00:03 Origem: Unidade de Logística Integrada - Curitiba / PR Destino: Unidade de Tratamento - Recife / PE" 
[2] => string(128)
" Status: Fiscalização aduaneira finalizada Data : 18/10/2021 | Hora: 23:35 Local: Unidade Operacional - Curitiba / PR" 
[3] => string(145)
" Status: Objeto recebido pelos Correios do Brasil Data : 16/10/2021 | Hora: 11:45 Local: Unidade de Logística Integrada - Curitiba / PR" 
[4] => string(83)
" Status: Objeto postado Data : 14/10/2021 | Hora: 20:30 Local: País - / "
}

这是我期望的输出:

"eventos": [{
"status": "Objeto em trânsito - por favor aguarde",
"data": "24/10/2021",
"hora": "12:04",
"origem": "Unidade de Tratamento - Jaboatao Dos Guararapes / PE",
"destino": "Agência dos Correios - Cuitegi / PB"
}, {
"status": "Objeto em trânsito - por favor aguarde",
"data": "19/10/2021",
"hora": "00:03",
"origem": "Unidade de Logística Integrada - Curitiba / PR",
"destino": "Unidade de Tratamento - Recife / PE"
}, {
"status": "Fiscalização aduaneira finalizada",
"data": "18/10/2021",
"hora": "23:35",
"local": "Unidade Operacional - Curitiba / PR"
}, {
"status": "Objeto recebido pelos Correios do Brasil",
"data": "16/10/2021",
"hora": "11:45",
"local": "Unidade de Logística Integrada - Curitiba / PR"
}, {
"status": "Objeto postado",
"data": "14/10/2021",
"hora": "20:30",
"local": "País - /"
}]

maybe

function json_encode_pretty($data, int $extra_flags = 0, int $exclude_flags = 0): string
{
// prettiest flags for: 7.3.9
$flags = JSON_PRETTY_PRINT | JSON_UNESCAPED_SLASHES | JSON_UNESCAPED_UNICODE | (defined("JSON_UNESCAPED_LINE_TERMINATORS") ? JSON_UNESCAPED_LINE_TERMINATORS : 0) | JSON_PRESERVE_ZERO_FRACTION | (defined("JSON_THROW_ON_ERROR") ? JSON_THROW_ON_ERROR : 0);
$flags = ($flags | $extra_flags) & ~ $exclude_flags;
return (json_encode($data, $flags));
}

function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): DOMDocument
{
$flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET;
$flags = ($flags & ~ $exclude_flags) | $extra_flags;
$domd = new DOMDocument();
$domd->preserveWhiteSpace = false;
@$domd->loadHTML('<?xml encoding="UTF-8">' . $html, $flags);
$removeAnnoyingWhitespaceTextNodes = function (DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void {
if ($node->hasChildNodes()) {
// Warning: it's important to do it backwards; if you do it forwards, the index for DOMNodeList might become invalidated;
// that's why i don't use foreach() - don't change it (unless you know what you're doing, ofc)
for ($i = $node->childNodes->length - 1; $i >= 0; --$i) {
$removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i));
}
}
if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && ! strlen(trim($node->textContent))) {
//echo "Removing annoying POS";
// var_dump($node);
$node->parentNode->removeChild($node);
} //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); }
};
$removeAnnoyingWhitespaceTextNodes($domd);
return $domd;
}
$domd=loadHTML_noemptywhitespace($html);
$xp=new DOMXPath($domd);
$extracted=[];
foreach($xp->query("//div[contains(@class,'singlepost')]/ul") as $ul){
$ulData=[];
foreach($xp->query("./li", $ul) as $li){
$data = explode(":",$li->nodeValue, 2);
$uldata[trim($data[0])] = trim($data[1]);
}
$extracted[]=$uldata;
}
echo json_encode_pretty($extracted);

打印:

[
{
"Status": "Objeto em trânsito - por favor aguarde",
"Data": "24/10/2021 | Hora: 12:04",
"Origem": "Unidade de Tratamento - Jaboatao Dos Guararapes / PE",
"Destino": "Agência dos Correios - Cuitegi / PB"
},
{
"Status": "Objeto em trânsito - por favor aguarde",
"Data": "19/10/2021 | Hora: 00:03",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE"
},
{
"Status": "Fiscalização aduaneira finalizada",
"Data": "18/10/2021 | Hora: 23:35",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "Unidade Operacional - Curitiba / PR"
},
{
"Status": "Objeto recebido pelos Correios do Brasil",
"Data": "16/10/2021 | Hora: 11:45",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "Unidade de Logística Integrada - Curitiba / PR"
},
{
"Status": "Objeto postado",
"Data": "14/10/2021 | Hora: 20:30",
"Origem": "Unidade de Logística Integrada - Curitiba / PR",
"Destino": "Unidade de Tratamento - Recife / PE",
"Local": "País -  /"
}
]

  • 3 v4l: https://3v4l.org/80rua v8.1rc3
$total = [];
$ind = 0;
foreach ($geral as $name) {
$s = explode("n",$name->nodeValue);
foreach($s as  $ss){
if(str_contains($ss,"Status: ")){
$total[$ind]["status"] = str_replace('Status: ','',$ss);
}
if(str_contains($ss,"Data  : ")){

$data = str_replace('Data  : ','',$ss);
$data = str_replace('Hora: ','',$data);
$data = explode(" | ",$data);
$total[$ind]["data"] = $data[0];
$total[$ind]["hora"] = $data[1];
}
if(str_contains($ss,"Origem: ")){
$total[$ind]["origem"] = str_replace('Origem: ','',$ss);
}
if(str_contains($ss,"Destino: ")){
$total[$ind]["destino"] = str_replace('Destino: ','',$ss);
}
if(str_contains($ss,"Local: ")){
$total[$ind]["local"] = str_replace('Local: ','',$ss);
}
}
$ind++;
}
print_r($total);

只要确保每个li后面都有一个新行。HTML上的不一致可能会破坏输出。对不起。

PHP v8.0

如果使用两次xpath，解决方案会简单一些。一次用于ul标记，一次用于底层li标记。劈裂只需使用explosion即可。

$doc = new DOMDocument();
$doc->loadHTML($htmlString);
$xpath = new DOMXPath($doc);
$geral = $xpath->query('//ul[@class="linha_status"]');
$total = [];
foreach ($geral as $node) {
$sArr = [];
$li = $xpath->query('li',$node);
foreach($li as $item){
$liVal = $item->nodeValue;
$parts = explode("|",$liVal);
foreach($parts as $part){
list($key,$val) = explode(':',$part);
$sArr[trim($key)] = trim($val);
}
}
$total[] = $sArr;
}
$result = json_encode($total, JSON_PRETTY_PRINT | JSON_UNESCAPED_UNICODE | JSON_UNESCAPED_SLASHES);

在沙盒或https://3v4l.org/3E2G3中自己尝试。

我绝对支持@jspit关于使用嵌套xpath调用以方便使用的建议，但是我更喜欢一些不同的编码选择。下面是我的代码片段的分解:

  1. 使用UTF-8编码加载文档以保留多字节字符
  2. 使用xpath迭代所有具有合格类
    3. 的<ul>标记
  3. 使用xpath遍历所有!<li>标签嵌套在合格的<ul>
    4. 中
  4. 通过管道分割<li>文本以形成1个或多个段-不需要限制符
  5. 通过第一个出现的冒号分割每个片段——将爆炸限制在2部分是至关重要的，因为有些片段包含多个冒号;在此爆炸期间删除空格可以节省以后两次调用trim()的时间
  6. 将键值对推入结果数组，并在结果数组中添加与父元素相关的第一级索引。

代码:(演示)

$result = [];
$doc = new DOMDocument;
$doc->loadHTML('<?xml encoding="UTF-8">' . $htmlString);
$xpath = new DOMXPath($doc);
foreach ($xpath->query('//ul[@class="linha_status"]') as $i => $ul) {
foreach ($xpath->query('li', $ul) as $li) {
foreach (explode("|", $li->nodeValue) as $segment) {
[$key, $result[$i][$key]] = preg_split('/s*:s*/', trim($segment), 2);
}
}
}
var_export($result);

输出:

array (
0 => 
array (
'Status' => 'Objeto em trânsito - por favor aguarde',
'Data' => '24/10/2021',
'Hora' => '12:04',
'Origem' => 'Unidade de Tratamento - Jaboatao Dos Guararapes / PE',
'Destino' => 'Agência dos Correios - Cuitegi / PB',
),
1 => 
array (
'Status' => 'Objeto em trânsito - por favor aguarde',
'Data' => '19/10/2021',
'Hora' => '00:03',
'Origem' => 'Unidade de Logística Integrada - Curitiba / PR',
'Destino' => 'Unidade de Tratamento - Recife / PE',
),
2 => 
array (
'Status' => 'Fiscalização aduaneira finalizada',
'Data' => '18/10/2021',
'Hora' => '23:35',
'Local' => 'Unidade Operacional - Curitiba / PR',
),
3 => 
array (
'Status' => 'Objeto recebido pelos Correios do Brasil',
'Data' => '16/10/2021',
'Hora' => '11:45',
'Local' => 'Unidade de Logística Integrada - Curitiba / PR',
),
4 => 
array (
'Status' => 'Objeto postado',
'Data' => '14/10/2021',
'Hora' => '20:30',
'Local' => 'País -  /',
),
)

相关内容

最新更新


热门标签：

javascript python java c# php android html jquery c++ css ios sql mysql arrays asp.net json python-3.x ruby-on-rails .net sql-server django objective-c excel regex ruby linux ajax iphone xml vba spring asp.net-mvc database wordpress string postgresql wpf windows xcode bash git oracle list vb.net multithreading eclipse algorithm macos powershell visual-studio image forms numpy scala function api selenium