需從靜態導航頁(hao.html)提取結構化數據入庫。JS 需瀏覽器環境且難持久化;PHP 服務端解析無需瀏覽器,可直接入庫、定時任務跑批。
DOMDocument + DOMXPath<?php
// 1. 載入 HTML 文件構建 DOM 樹
$dom = new DOMDocument();
libxml_use_internal_errors(true); // 抑制 HTML5 非標準標籤警告
$dom->loadHTMLFile('hao.html');
libxml_clear_errors();
// 2. 創建 XPath 查詢器
$xpath = new DOMXPath($dom);
// 3. 定位目標節點:所有 class="fix" 的 標籤
$dls = $xpath->query('//dl[@class="fix"]');
// 4. 遍歷提取文本內容
foreach ($dls as $dl) {
foreach ($dl->childNodes as $node) {
// 過濾文本節點與元素節點
if ($node->nodeType === XML_TEXT_NODE) {
$text = trim($node->textContent);
if ($text) echo "$text\t";
} elseif ($node->nodeType === XML_ELEMENT_NODE) {
echo trim($node->textContent) . "\t";
}
}
echo "\n";
}
| 需求 | XPath 表達式 |
|---|---|
| 所有帶 id 屬性的元素 | //*[@id] |
| 特定 id 的 div 內文本 | /html/body/div[@id='myId']//text() |
| 任意深度下 id=myId 的 div | //div[@id='myId'] |
| class 包含 "item" 的 li | //li[contains(@class, 'item')] |
| 第 2 個 | |
//table/tr[2]/td[3] |
DOMDocument 默認編碼為 Latin1,處理 UTF-8 中文**必須**在載入前聲明:
$dom = new DOMDocument('1.0', 'UTF-8'); // 構造函數指定
// 或
$dom->loadHTML('' . $html); // 字符串載入時前置聲明
否則中文會被誤解析為亂碼或實體編碼。
| 維度 | PHP DOM | 正則表達式 | JavaScript (瀏覽器) |
|---|---|---|---|
| 結構化查詢 | ✅ XPath 強大 | ❌ 易錯、難維護 | ✅ 原生 DOM API |
| 運行環境 | 服務端 CLI/FPM | 服務端 | 瀏覽器/Node.js |
| 性能 | 中等(需構建完整樹) | 快(單行) | 快(原生) |
| 容錯性 | libxml 自動修補 | 極差 | 瀏覽器極強 |
XMLReader 流式解析,內存常數級。libxml_use_internal_errors 靜默 HTML 解析警告。$node->getAttribute('href'),比解析 textContent 可靠。