如何使用CURL从页面解析实际的HTML？

Question

我“尝试”凑一个网页，拥有页面中的以下结构：

<p class="row"> 
    <span>stuff here</span> 
    <a href="http://www.host.tld/file.html">Descriptive Link Text</a> 
    <div>Link Description Here</div> 
</p> 

我使用卷曲刮网页：

<?php 
    $handle = curl_init(); 
    curl_setopt($handle, CURLOPT_URL, "http://www.host.tld/"); 
    curl_setopt($handle, CURLOPT_RETURNTRANSFER, true); 
    $html = curl_exec($handle); 
    curl_close($handle); 
?> 

我已经做了一些研究，发现我不应该使用RegEx来解析从curl返回的HTML，并且我应该使用PHP DOM。这就是我这样做：

​​

现在我不会假装我完全明白这一点，但我得到的要点，和我得到我想要的章节。唯一的问题是，我得到的仅仅是HTML页面的文本，就好像我将它从浏览器窗口中复制出来一样。我要的是实际HTML，因为我想提取的链接，并使用它们太像这样：

for($i=0; $i<$nodeNo; $i++){ 
    $printString = $sections->item($i)->nodeValue; 
    echo "<a href=\"<extracted link>\">LINK</a> " . $printString . "<br>"; 
} 

正如你所看到的，我不能得到的链接，因为我只得到的的文本网页，而不是源，就像我想要的。我知道“curl_exec”是拉HTML，因为我已经试过了，所以我相信DOM以某种方式剥离了我想要的HTML。

Answer 1

据对the PHP manual on DOM意见，你应该用你的循环内的以下内容：

$tmp_dom = new DOMDocument(); 
    $tmp_dom->appendChild($tmp_dom->importNode($sections->item($i), true)); 
    $innerHTML = trim($tmp_dom->saveHTML()); 

这将设置$innerHTML为节点的HTML内容。

但我认为你真正想要的是让“P”节点下的“A”的节点，所以这样做：

$sections = $newDom->getElementsByTagName('p'); 
$nodeNo = $sections->length; 
for($i=0; $i<$nodeNo; $i++) { 
    $sec = $sections->item($i); 
    $links = $sec->getElementsByTagName('a'); 
    $linkNo = $links->length; 
    for ($j=0; $j<$linkNo; $j++) { 
     $printString = $links->item($j)->nodeValue; 
     echo $printString . "<br>"; 
    } 
} 

这将只是打印每一个环节的身体。

Answer 2

你可能想看看phpQuery做服务器端HTML解析的东西。 basic example

Answer 3

您可以将节点传递给DOMDocument::saveXML()。试试这个：

$printString = $newDom->saveXML($sections->item($i));