Не удается должным образом отделить ячейки с помощью простого

Я пытаюсь написать веб-скребок. Я хочу получить все ячейки подряд. Строка перед тем, что я хочу, имеет ТОРГОВЫЕ ЗАСЕДАНИЯ в качестве ее обычного текстового значения. Я могу успешно получить эту строку. Но я не могу понять, как получить следующие дочерние строки, которые являются ячейками или тегами <td>.

if ($foundTag = FindTagByText("THOROUGHBRED MEETINGS", $html))
{
    $cell = $foundTag->parent();
    $row = $cell->parent();
    $nextRow = $row->next_sibling();
    echo "Row: ".$row->plaintext."<br />\n";
    echo "Next Row: ".$nextRow->plaintext."<br />\n";
    $cells = $nextRow->children();

    foreach ($cells as $cell)
    {
        echo "Cell: ".$cell->plaintext."<br />\n";
    }
}

function FindTagByText($text, $html)
{
    // Use Simple_HTML_DOM special selector 'text'
    // to retrieve all text nodes from the document
    $textNodes = $html->find('text');
    $foundTag = null;

    foreach($textNodes as $textNode) 
    {
        if($textNode->plaintext == $text) 
        {
            // Get the parent of the text node
            // (A text node is always a child of
            //  its container)
            $foundTag = $textNode->parent();
            break;
        }
    }

    return $foundTag;
}

Вот html, который я пытаюсь проанализировать:

<tr valign=top>
<td colspan=16 bgcolor=#999999><b>THOROUGHBRED MEETINGS</b></td>

</tr>
<tr valign=top bgcolor="#ffffff">
<td><b>BR</b> <a href="meeting?mtg=br&day=today&curtype=0">SUNSHINE COAST</a></td>
<td>FINE/DEAD</b></td>
<td><font color=#cc0000><b>R1</b></font>@<b>12:30pm</b></td>
<td align=center bgcolor=#cc0000><a href="odds?mting=BR01000"><b><font color=#ffffff>1</a></font></td>
<td align=center><a href="odds?mting=BR02000"><b><font color=black>2</b></font></a></td>
<td align=center><a href="odds?mting=BR03000"><b><font color=black>3</b></font></a></td>

<td align=center><a href="odds?mting=BR04000"><b><font color=black>4</b></font></a></td>
<td align=center><a href="odds?mting=BR05000"><b><font color=black>5</b></font></a></td>
<td align=center><a href="odds?mting=BR06000"><b><font color=black>6</b></font></a></td>
<td align=center><a href="odds?mting=BR07000"><b><font color=black>7</b></font></a></td>
<td align=center><a href="odds?mting=BR08000"><b><font color=black>8</b></font></a></td>
<td bgcolor="#ffffff" colspan=4>&nbsp;</td>
</tr>

Вот мой вывод:

Row: THOROUGHBRED MEETINGS
Next Row: BR SUNSHINE COAST FINE/DEAD [email protected]:30pm 1 2 3 4 5 6 7 8   CR NEW ZEALAND FINE/DEAD [email protected]:10am 1 2 3 4 5 6 7 8 9   DR HOBART OCAST/HVY [email protected]:15pm 1 2 3 4 5 6 7   MR CRANBOURNE OCAST/SLOW [email protected]:20pm 1 2 3 4 5 6 7 8   NR COFFS HARBOUR OCAST/SLOW [email protected]:45pm 1 2 3 4 5 6 7 8   SR MORUYA FINE/GOOD [email protected]:25pm 1 2 3 4 5 6 7 8   VR BENALLA OCAST/SLOW [email protected]:35pm 1 2 3 4 5 6 7 8   XR KALGOORLIE FINE/GOOD [email protected] 3:00pm 1 2 3 4 5 6 7     HARNESS MEETINGS DT LAUNCESTON SHWRY/GOOD [email protected] 4:57pm 1 2 3 4 5 6 7 8 9 10   MT CRANBOURNE OCAST/GOOD [email protected] 5:05pm 1 2 3 4 5 6 7 8     GREYHOUND MEETINGS AD GAWLER OCAST/GOOD [email protected] 5:10pm 1 2 3 4 5 6 7 8 9 10 11   CD CANBERRA OCAST/GOOD [email protected] 5:02pm 1 2 3 4 5 6 7 8 9 10 11   MD SALE FINE/GOOD [email protected] 4:54pm 1 2 3 4 5 6 7 8 9 10 11 12
Cell: BR SUNSHINE COAST
Cell: FINE/DEAD
Cell: [email protected]:30pm
Cell: 1 2 3 4 5 6 7 8   CR NEW ZEALAND FINE/DEAD [email protected]:10am 1 2 3 4 5 6 7 8 9   DR HOBART OCAST/HVY [email protected]:15pm 1 2 3 4 5 6 7   MR CRANBOURNE OCAST/SLOW [email protected]:20pm 1 2 3 4 5 6 7 8   NR COFFS HARBOUR OCAST/SLOW [email protected]:45pm 1 2 3 4 5 6 7 8   SR MORUYA FINE/GOOD [email protected]:25pm 1 2 3 4 5 6 7 8   VR BENALLA OCAST/SLOW [email protected]:35pm 1 2 3 4 5 6 7 8   XR KALGOORLIE FINE/GOOD [email protected] 3:00pm 1 2 3 4 5 6 7     HARNESS MEETINGS DT LAUNCESTON SHWRY/GOOD [email protected] 4:57pm 1 2 3 4 5 6 7 8 9 10   MT CRANBOURNE OCAST/GOOD [email protected] 5:05pm 1 2 3 4 5 6 7 8     GREYHOUND MEETINGS AD GAWLER OCAST/GOOD [email protected] 5:10pm 1 2 3 4 5 6 7 8 9 10 11   CD CANBERRA OCAST/GOOD [email protected] 5:02pm 1 2 3 4 5 6 7 8 9 10 11   MD SALE FINE/GOOD [email protected] 4:54pm 1 2 3 4 5 6 7 8 9 10 11 12 

Ответ 1

Вам не понравится мой ответ.

К сожалению, кажется, что несогласованные теги закрытия в анализируемом HTML путают Simple_HTML_DOM. Взгляните на этот фрагмент:

<td align=center><a href="odds?mting=BR02000"><b><font color=black>2</b></font></a></td>

Если вы следуете порядку тегов этого фрагмента:

  • <td> открыт
  • <a> открыт
  • <b> открыт
  • <font> открыт

Технически теги должны быть закрыты в обратном порядке, но вот как они закрываются:

  • </b> закрыт
  • </font> закрыт
  • </a> закрывается
  • </td> закрывается

HTML, который вы пытаетесь укоротить, полон этих ошибок, а также закрывающие теги для тегов, которые никогда не открываются. Simple_HTML_DOM не правильно анализирует эти файлы.

Я боюсь, что если у вас нет возможности изменять HTML, вам придется вручную анализировать файл, исправляя любые ошибки.


В качестве примечания я проверил ваш код на следующий исправленный HTML, а Simple_HTML_DOM проанализировал его успешно, и ваш код работал нормально.

<tr valign=top>
<td colspan=16 bgcolor=#999999><b>THOROUGHBRED MEETINGS</b></td>

</tr>
<tr valign=top bgcolor="#ffffff">
<td><b>BR</b> <a href="meeting?mtg=br&day=today&curtype=0">SUNSHINE COAST</a></td>
<td><b>FINE/DEAD</b></td>
<td><font color=#cc0000><b>R1</font></b>@<b>12:30pm</b></td>
<td align=center bgcolor=#cc0000><a href="odds?mting=BR01000"><b><font color=#ffffff>1</a></b></font></td>
<td align=center><a href="odds?mting=BR02000"><b><font color=black>2</font></b></a></td>
<td align=center><a href="odds?mting=BR03000"><b><font color=black>3</font></b></a></td>

<td align=center><a href="odds?mting=BR04000"><b><font color=black>4</font></b></a></td>
<td align=center><a href="odds?mting=BR05000"><b><font color=black>5</font></b></a></td>
<td align=center><a href="odds?mting=BR06000"><b><font color=black>6</font></b></a></td>
<td align=center><a href="odds?mting=BR07000"><b><font color=black>7</font></b></a></td>
<td align=center><a href="odds?mting=BR08000"><b><font color=black>8</font></b></a></td>
<td bgcolor="#ffffff" colspan=4> </td>
</tr>

Изменить:. В качестве альтернативы вы можете попробовать, если DOMDocument::loadHTML имеет лучшие результаты. Он доступен на PHP 5 без внешних библиотек. Проверьте официальную документацию.

Ответ 2

Вы получите первый td следующим образом:

$firstTD = $row->first_child();

После этого вы можете получить следующие:

$firstTD->next_sibling()

Ответ 3

Я получил его для работы, вставив DOMDocument(), чтобы исправить неверный HTML.

$url = "http://www.acttab.com.au/interbet/venues?day=today";

$doc = new DOMDocument();
$doc->loadHTMLFile($url);

//convert $doc to html
$html = str_get_html($doc->saveHTML());