本教程详细阐述了如何利用 `voku/simple_html_dom` 库，从复杂的html结构中准确提取并组织特定标题下的所有段落。文章深入分析了 `next_sibling()` 方法的正确用法，解决了仅获取首个段落的常见问题，并提供了遍历同级元素直至遇到下一个标题的完整解决方案，确保数据按标题分组，结构清晰。
在进行网页内容抓取和数据处理时，我们经常需要从非结构化的HTML中提取特定模式的数据。一个常见的场景是，需要将文章内容按照标题进行分组，例如，提取每个 zuojiankuohaophpcnh2> 标题下的所有 <p> 段落，并将其组织成一个数组。本文将详细介绍如何使用 voku/simple_html_dom 库高效地实现这一目标。
假设我们有以下HTML结构：
<h2>Title 1</h2> <p>Text 1</p> <p>Text 2</p> <h2>Title 2</h2> <p>Text 3</p> <p>Text 4</p> <p>Text 5</p>
我们期望得到的数据结构是：
[
'Title 1' => ['Text 1', 'Text 2'],
'Title 2' => ['Text 3', 'Text 4', 'Text 5'],
]初学者可能会尝试使用 next_sibling('p') 方法来获取标题后的所有段落，例如：
立即学习“前端免费学习笔记（深入）”；
use voku\helper\HtmlDomParser;
$htmlContent = '<h2>Title 1</h2><p>Text 1</p><p>Text 2</p><h2>Title 2</h2><p>Text 3</p><p>Text 4</p><p>Text 5</p>';
$dom = HtmlDomParser::str_get_html($htmlContent);
$result = [];
foreach ($dom->find('h2') as $h2Element) {
$paragraphs = [];
// 尝试获取下一个p标签
foreach ($h2Element->next_sibling('p') as $pElement) { // 注意：这里可能不会按预期工作
$paragraphs[] = $pElement->text();
}
$result[$h2Element->text()] = $paragraphs;
}
print_r($result);然而，这种方法往往只能获取到每个 <h2> 标签后的第一个 <p> 标签。这是因为 next_sibling('p') 查找的是当前元素的紧邻的下一个且符合选择器的同级元素。如果后面还有多个 <p> 标签，它们并不是 next_sibling('p') 的直接结果集。要获取所有后续的 <p> 标签，我们需要更通用的同级元素遍历方法。
正确的做法是，从每个 <h2> 元素开始，持续遍历其所有后续的同级元素，直到遇到下一个 <h2> 元素为止。在遍历过程中，判断当前同级元素的类型，如果是 <p> 标签，则将其内容收集起来。
以下是实现此逻辑的详细代码：
<?php
require_once 'vendor/autoload.php'; // 确保引入 simple_html_dom 库
use voku\helper\HtmlDomParser;
// 模拟的HTML内容
$htmlContent = '
<h2>Title 1</h2>
<p>Text 1</p>
<p>Text 2</p>
<h2>Title 2</h2>
<p>Text 3</p>
<p>Text 4</p>
<p>Text 5</p>
<h2>Title 3</h2>
<div>Not a paragraph</div>
<p>Text 6</p>
';
// 使用 HtmlDomParser 解析HTML字符串
$dom = HtmlDomParser::str_get_html($htmlContent);
// 初始化结果数组
$groupedContent = [];
// 遍历所有的 h2 元素
foreach ($dom->find('h2') as $h2Element) {
$h2Text = $h2Element->text(); // 获取 h2 的文本作为键
$paragraphs = []; // 用于存储当前 h2 下的段落
// 获取 h2 元素的紧邻下一个同级元素
$currentSibling = $h2Element->next_sibling();
// 循环遍历所有后续同级元素，直到没有同级元素或遇到下一个 h2
while ($currentSibling) {
// 如果遇到下一个 h2 元素，则停止当前 h2 的段落收集
if ($currentSibling->nodeName() === "h2") {
break;
}
// 如果是 p 元素，则将其文本添加到当前 h2 的段落数组中
if ($currentSibling->nodeName() === "p") {
$paragraphs[] = $currentSibling->text();
}
// 移动到下一个同级元素
$currentSibling = $currentSibling->next_sibling();
}
// 将收集到的段落添加到结果数组中
$groupedContent[$h2Text] = $paragraphs;
}
// 打印最终结果
echo "<pre>";
print_r($groupedContent);
echo "</pre>";
// 清理 DOM 对象以释放内存
$dom->clear();
unset($dom);
?>运行上述代码，将得到以下结果：
Array
(
[Title 1] => Array
(
[0] => Text 1
[1] => Text 2
)
[Title 2] => Array
(
[0] => Text 3
[1] => Text 4
[2] => Text 5
)
[Title 3] => Array
(
[0] => Text 6
)
)通过灵活运用 voku/simple_html_dom 的 next_sibling() 方法并结合循环判断，我们可以有效地从复杂的HTML结构中提取出按标题分组的段落内容。关键在于理解 next_sibling() 的工作原理，并将其用于迭代遍历所有同级元素，直到遇到预设的终止条件（如下一个标题）。这种模式在网页数据抓取和内容重组中具有广泛的应用价值。
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
742
收藏
