XPath查詢和HTML - 在錨標籤中查找特定的HREF

Question

我已獲得DOMDocument和DOMXPath中所需的HTML數據。

但我需要訪問並檢索href值在某些<a>標記。以下爲條件：

1. href包含：some-site.vendor.com/jobs/[#idnumber]/job（即some-site.vendor.com/jobs/23094/job）

2. href含有不：some-site.vendor.com/jobs/search?search=pr2

3. href含有不：some-site.vendor.com/jobs/intro

4. href含有不： www.someothersite.com/

5. href不包含：media.someothersite.com/

6. href不包含：javascript:void(0)

這兩種（類似）查詢獲取的一切，但4-6 - 這是一件好事：

$joblinks = $xpath->query('//a[@href[contains(., "https://some-site.vendor.com/jobs/")]]');  
$joblinks = $xpath->query('//a[@href[contains(., "job")]]'); 

然而，最終我需要訪問所有的包含href像＃1，一個d將實際的href值賦給一個變量/數組。下面是我在做什麼：

$payload = fetchRemoteData(SPEC_SOURCE_URL); 

// suppress warning(s) due to malformed markup 
libxml_use_internal_errors(true); 

// load the fetched contents 
$dom = new DOMDocument(); 
$dom->preserveWhiteSpace = false; 
$dom->loadHTML($payload); 

// parse and cache the required data elements 
$xpath = new DOMXPath($dom); 

//$joblinks = $xpath->query('//a[@href[contains(., "some-site.vendor.com/jobs/")]]'); 
$joblinks = $xpath->query('//a[@href[contains(., "job")]]'); 
foreach($joblinks as $joblink) { 
    var_dump(trim($joblink->nodeValue)); // dump hrefs here! 
} 
echo "\n"; 

這是真的打我 - 我很接近，但我似乎無法正確地調整查詢和/或訪問實際的HREF值。我最不高興的道歉，如果我沒有遵循這個問題的任何種類的協議...

任何/所有的幫助將不勝感激！ Thanx提前多少！

Answer 1

這樣做完全與xpath我不會建議。首先你有一個白名單和一個黑名單。這是不是很清楚你想要什麼，所以我認爲這可以隨着時間的推移而改變。

所以你可以做的是首先選擇所有href屬性並返回節點。這就是XPath是非常好的，所以讓我們使用XPath：

if (!$links = $xpath->query('//a/@href')) { 
    throw new Exception('XPath query failed.'); 
} 

你現在有$links共同DOMNodeList和我們選擇那些它包含的零個或多個DOMAttr元素。這些現在需要你正在尋找的過濾。

所以你有一些你想匹配的標準。你有詳細的但不是很具體的應該如何工作。你有一個積極的比賽，但也有負面的比賽。但是在這兩種情況下，你都不知道如果沒有，會發生什麼。所以，我在這裏做一個快捷方式：你自己寫的返回要麼true或false一個功能，如果一個"href"字符串標準的匹配程度：

function is_valid_href($href) { 

    // do whatever you see fit ... 

    return true or false; 
} 

所以講href現在是否有效或無效的問題有解決了。最好的事情：你可以稍後改變它。

因此，所有需要的是將鏈接與鏈接整合，以獲得所有鏈接的標準化和絕對形式。這意味着更多的數據處理，請參見：

• problem with adding root path using php domdocument
• Urlencode and file_get_contents

有關不同類型的URL正常化的更多細節。

因此，我們創建另一個封裝了href規範化，基本解析和驗證的函數。如果在href是錯誤的，它只是返回null，否則歸HREF：

function normalize_href($href, $base) { 

    // do whatever is needed ... 

    return null or "href string"; 
} 

讓我們把這個在一起，在我的情況下，我甚至讓href一個Net_URL2實例，以便驗證可以從中受益。

當然，如果你把它封裝到閉包或某些類中，它會有一個更好的接口。您還couold考慮使XPath表達式的參數，以及：

// get all href 
if (!$links = $xpath->query('//a/@href')) { 
    throw new Exception('XPath query failed.'); 
} 

// set a base URL 
$base = 'https://stackoverflow.com/questions/9894956/xpath-query-html-find-specific-hrefs-within-anchor-tags'; 

/** 
* @return bool 
*/ 
function is_valid_href($href) {  
    ... 
} 

/** 
* @return href 
*/ 
function normalize_href($href, $base) { 
    ... 
} 

$joblinks = array(); 
foreach ($links as $attr) { 
    $href = normalize_href($attr->nodeValue, $base); 
    if (is_valid_href($href)) { 
     $joblinks[] = $href; 
    } 
} 

// your result is in: 
var_dump($joblinks); 

我碰到這個網站上的例子，其結果是：

array(122) { 
    [0]=> 
    object(Net_URL2)#129 (8) { 
    ["_options":"Net_URL2":private]=> 
    array(5) { 
     ["strict"]=> 
     bool(true) 
     ["use_brackets"]=> 
     bool(true) 
     ["encode_keys"]=> 
     bool(true) 
     ["input_separator"]=> 
     string(1) "&" 
     ["output_separator"]=> 
     string(1) "&" 
    } 
    ["_scheme":"Net_URL2":private]=> 
    string(4) "http" 
    ["_userinfo":"Net_URL2":private]=> 
    bool(false) 
    ["_host":"Net_URL2":private]=> 
    string(17) "stackexchange.com" 
    ["_port":"Net_URL2":private]=> 
    bool(false) 
    ["_path":"Net_URL2":private]=> 
    string(1) "/" 
    ["_query":"Net_URL2":private]=> 
    bool(false) 
    ["_fragment":"Net_URL2":private]=> 
    bool(false) 
    } 
    [1]=> 

    ... 

    [121]=> 
    object(Net_URL2)#250 (8) { 
    ["_options":"Net_URL2":private]=> 
    array(5) { 
     ["strict"]=> 
     bool(true) 
     ["use_brackets"]=> 
     bool(true) 
     ["encode_keys"]=> 
     bool(true) 
     ["input_separator"]=> 
     string(1) "&" 
     ["output_separator"]=> 
     string(1) "&" 
    } 
    ["_scheme":"Net_URL2":private]=> 
    string(4) "http" 
    ["_userinfo":"Net_URL2":private]=> 
    bool(false) 
    ["_host":"Net_URL2":private]=> 
    string(22) "blog.stackoverflow.com" 
    ["_port":"Net_URL2":private]=> 
    bool(false) 
    ["_path":"Net_URL2":private]=> 
    string(30) "/2009/06/attribution-required/" 
    ["_query":"Net_URL2":private]=> 
    bool(false) 
    ["_fragment":"Net_URL2":private]=> 
    bool(false) 
    } 
}