Как правильно спарсить HTML?

Question

[Кирилл Жиляев]

pastebin.ru/v45Vc0eg - HTML код.
Нужно в переменную загрузить содержимое каждого тега td

$dom = new DOMDocument;
$dom->loadHTML($HTML); //Тут куча ошибок.
$tr= $dom->getElementsByTagName('tr');

Warning: DOMDocument::loadHTML(): Unexpected end tag : td in Entity, line: 1 in
C:\Users\LOL\Desktop\vkup\test (5).php on line 14
PHP Warning:  DOMDocument::loadHTML(): Unexpected end tag : tr in Entity, line:
1 in C:\Users\LOL\Desktop\vkup\test (5).php on line 14

Надо в массив записать все значения тегов tr. Или лучше использовать preg_match?

Answer 1

[Vitaliy Orlov]

У тебя не валидный Html, а DOMDocument не настолько умный чтобы его нормализовать... Попробуй прогнать предварительно через Tidy ( php.net/manual/ru/intro.tidy.php ). Ну, и для парсинга лучше чего-нибудь адаптированние использовать: DiDOM ( https://github.com/Imangazaliev/DiDOM ) или PHP Simple HTML DOM ( simplehtmldom.sourceforge.net ) будет гораздо легче поддерживать, чем регулярки ...

Comments

[Кирилл Жиляев]

Скачал simple html dom. Вопрос: есть td, а в том td ещё td. Парсер их скидывает в одну кучу. А можно как-нибудь сделать так, чтобы td-дочь возвращалась вместе с исходным текстом остальными дочернми объектами?

[Vitaliy Orlov]

kirill_782: надо более жестки условия прописать, например у тебя структура

<div>
<table><tr><td>
   <table><tr><td> 123 </td></tr></table>
</td></tr></table>
</div>

тогда тебе надо делать так типа того:

$dom = str_get_html($html);

$td_lvl_1 = $dom->find('div>table>tr>td');
if (count($td_lvl_1)) {
 $td_lvl_2 = $td_lvl_1->find('table>tr>td', 0);
 echo  $td_lvl_2->innertext;
}

вот тут старенькая, но обширная, статья по этой библиотеке:
xdan.ru/uchimsya-parsit-saity-s-bibliotekoi-php-si...
посмотри, там много примеров

Answer 2

[Михаил]

Не думали напрямую копировать с funroyale.com ?

p.s. вы же договорились об этом с владельцами?

Comments

[Кирилл Жиляев]

Сначала делаем, потом договариваемся. Я просто пока учусь. Этот огрызок выводится через ajax от скрипта.