PHP获取网页标题和附近段落方法详解

golang学习网今天将给大家带来《PHP提取HTML标题和邻近段落教程》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习文章或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

本教程详细介绍了如何使用PHP的DOMDocument和DOMXPath库，从复杂的HTML字符串中准确提取所有H3标题及其紧邻的第一个段落。文章强调了避免使用正则表达式解析HTML的重要性，并提供了一个结构清晰、包含示例代码和注意事项的专业解决方案，帮助开发者安全、高效地处理HTML内容。

HTML内容解析：提取指定标题及其紧邻段落

在Web开发中，我们经常需要从HTML内容中提取特定信息。一个常见的需求是获取某个特定级别的标题（例如

）及其紧随其后的第一个段落。虽然正则表达式在某些简单的文本匹配场景下表现出色，但在处理HTML这种具有复杂嵌套结构的标记语言时，使用正则表达式往往会导致代码脆弱、难以维护且容易出错。本文将介绍如何利用PHP内置的DOMDocument和DOMXPath类来安全、高效地实现这一目标。

为什么不推荐使用正则表达式解析HTML？

HTML是一种上下文无关文法，而正则表达式是处理正则文法的工具。尝试用正则表达式解析HTML，就像试图用一把扳手解决所有机械问题一样，虽然在某些简单情况下可能奏效，但面对稍微复杂一点的HTML结构（例如嵌套标签、属性、注释、不同风格的空白符等），正则表达式很快就会变得极其复杂，难以编写、调试和维护。更重要的是，它无法理解HTML的结构和DOM树，无法可靠地处理“下一个兄弟元素”或“父元素”这样的概念。

推荐方案：使用DOMDocument和DOMXPath

PHP提供了强大的DOM扩展，其中的DOMDocument类用于加载和解析HTML/XML文档，而DOMXPath类则允许我们使用XPath查询语言来导航和查找DOM树中的特定节点。这种方法不仅更健壮、更可靠，而且代码可读性也更高。

1. 加载HTML内容

首先，我们需要将HTML字符串加载到一个DOMDocument对象中。

This is my title

This is a text right under my h1 title.
This is some more text under my h1 title

This is my level 2 heading
This is text right under my level 2 heading

First h3
First paragraph for the first h3

Second h3
First paragraph for the second h3

Third h3
First paragraph for the third h3
Second paragraph for the third h3

This is my level 2 heading
This is text right under my level 2 heading
TAG;

$dom = new DomDocument();
// 使用 LIBXML_HTML_NOIMPLIED 和 LIBXML_HTML_NODEFDTD 标志来避免DOMDocument自动添加不必要的, ,  等标签
// 这对于解析HTML片段非常有用
@$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
// 注意：loadHTML可能会因为HTML不规范而发出警告，使用@符号可以抑制这些警告，但更好的做法是进行错误处理。

在loadHTML方法中，我们使用了LIBXML_HTML_NOIMPLIED和LIBXML_HTML_NODEFDTD两个标志。它们的作用是告诉解析器不要自动添加缺失的、、``等标签，这对于处理HTML片段而非完整文档时非常有用，可以避免生成不必要的额外结构。

2. 创建DOMXPath对象

DOMXPath对象允许我们对加载的DOM树执行XPath查询。

$xpath = new DOMXPath($dom);

3. 执行XPath查询并遍历结果

我们需要查询所有的

标签。XPath表达式//h3表示在文档的任何位置查找所有

元素。

获取到所有

元素后，我们可以遍历这些元素。对于每一个

元素，我们需要找到它紧邻的下一个兄弟元素，并检查它是否是

标签。

// 查询所有h3标签
$results = $xpath->query("//h3");
$extracted_data = [];

foreach ($results as $h3_node) {
    $heading_text = $h3_node->textContent;
    $paragraph_text = '';

    // 获取h3节点的下一个兄弟元素
    // nextElementSibling 属性返回元素的下一个兄弟元素（如果存在），忽略文本节点和注释节点
    $next_element = $h3_node->nextElementSibling;

    // 检查下一个元素是否存在且其标签名是否为'p'
    if ($next_element && 'p' === $next_element->nodeName) {
        $paragraph_text = $next_element->textContent;
    }

    $extracted_data[] = [
        'heading' => $heading_text,
        'paragraph' => $paragraph_text
    ];
}

// 打印提取的数据
foreach ($extracted_data as $item) {
    echo "
" . htmlspecialchars($item['heading']) . "
";
    echo "
" . htmlspecialchars($item['paragraph']) . "
";
}

完整示例代码

This is my title

This is a text right under my h1 title.
This is some more text under my h1 title

This is my level 2 heading
This is text right under my level 2 heading

First h3
First paragraph for the first h3

Second h3
First paragraph for the second h3

Third h3
First paragraph for the third h3
Second paragraph for the third h3

This is my level 2 heading
This is text right under my level 2 heading
TAG;

// 创建DOMDocument对象
$dom = new DomDocument();
// 加载HTML内容，并使用标志避免自动添加不必要的HTML结构
// @ 符号用于抑制loadHTML可能发出的关于HTML格式不规范的警告
@$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

// 创建DOMXPath对象，用于执行XPath查询
$xpath = new DOMXPath($dom);

// 查询所有h3标签
$h3_nodes = $xpath->query("//h3");

$extracted_pairs = [];

// 遍历所有h3节点
foreach ($h3_nodes as $h3_node) {
    $heading_text = $h3_node->textContent;
    $paragraph_text = '';

    // 获取h3节点的下一个兄弟元素
    // nextElementSibling 会跳过文本节点和注释节点，直接找到下一个元素节点
    $next_element = $h3_node->nextElementSibling;

    // 检查下一个元素是否存在且其标签名是否为'p'
    if ($next_element && 'p' === $next_element->nodeName) {
        $paragraph_text = $next_element->textContent;
    }

    // 将提取到的标题和段落存储起来
    $extracted_pairs[] = [
        'heading' => $heading_text,
        'paragraph' => $paragraph_text
    ];
}

// 按照期望的格式输出结果
foreach ($extracted_pairs as $pair) {
    echo "
" . htmlspecialchars($pair['heading']) . "
";
    echo "
" . htmlspecialchars($pair['paragraph']) . "
";
}

?>

预期输出

First h3
First paragraph for the first h3
Second h3
First paragraph for the second h3
Third h3
First paragraph for the third h3

注意事项与总结

1. 错误处理： loadHTML方法在处理格式不规范的HTML时可能会发出警告。在生产环境中，不建议简单地使用@抑制警告，而应该通过libxml_use_internal_errors(true)和libxml_get_errors()来捕获并处理这些错误，以提高程序的健壮性。
2. nextElementSibling的局限性： nextElementSibling只查找下一个元素兄弟节点。如果HTML结构中在

   和

   之间存在文本节点（例如空白符或注释），它会被跳过。如果需要考虑所有类型的节点，可以使用nextSibling，但之后需要额外判断nodeType。对于本例的需求，nextElementSibling是合适的选择。

3. XPath的灵活性： XPath表达式非常强大，可以根据更复杂的条件来选择节点。例如，如果你需要选择具有特定类名的

   ，可以使用//h3[@class="my-class"]。

4. 编码问题： 在处理包含非ASCII字符的HTML时，确保HTML内容和PHP脚本的编码一致（通常是UTF-8），以避免乱码。DOMDocument默认使用ISO-8859-1编码，如果HTML是UTF-8，你可能需要在加载前设置$dom->encoding = 'UTF-8';或在loadHTML后使用$dom->saveHTML()来获取正确的编码输出。
5. 安全性： 在将提取到的文本重新输出到网页时，务必使用htmlspecialchars()或htmlentities()进行编码，以防止跨站脚本攻击（XSS）。

通过采用DOMDocument和DOMXPath，我们能够以一种结构化且安全的方式解析HTML，精确地定位和提取所需的数据，从而避免了正则表达式在处理HTML时的固有缺陷。这种方法是处理HTML内容的标准和推荐实践。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《PHP获取网页标题和附近段落方法详解》文章吧，也可关注golang学习网公众号了解相关技术文章。