Как извлечь href, заголовок и текстовые данные из & lt; a & gt; тег с определенным значением класса из очищенного HTML?
У меня есть это регулярное выражение для preg_match_all() это соответствует правильно на regex101.com, но не в моем коде.
Элемент html, который я пытаюсь разобрать, выглядит так:
<a class="profile-link" href="CompanyProfile.aspx?PID=4813&country=211&practicearea=0&pagenum=" title="1-844-Iran-Law">Amin Alemohammad</a>
Который найден во всем результате html curl. Каждый блок имеет следующее, например:
<li style="opacity: 1;">
<a class="profile-link" href="CompanyProfile.aspx?PID=4813&country=211&practicearea=0&pagenum=" title="1-844-Iran-Law">Amin Alemohammad</a>
<!--<a class="profile-link" href="javascript:void(0)" title="1-844-Iran-Law">Amin Alemohammad</a>-->
<img src="/Images/Uploaded/Photos/4813_1844IranLaw.png" style="max-width:140px; max-height:140px">
<div class="results-profile">
<h2>Amin Alemohammad</h2>
<p><strong>Firm:</strong> 1-844-Iran-Law <br> <strong>Country:</strong> USA</p>
<p class="blue"><strong>Practice Area:</strong> Iranian Desk</p>
<ul>
<li class="tel-icon" style="opacity: 1;">Tel: +1-202-465-8692</li>
<li class="fax-icon" style="opacity: 1;">Fax: +1-202-776-0136</li>
<li class="email-icon">Email: <a style="position:relative; z-index:9999;" href="mailto:amin@1844iranlaw.com">amin@1844iranlaw.com</a></li>
</ul>
</div><!-- results profile -->
<img class="practice-logo" src="/Images/Uploaded/Logos/4813_1844IranLaw.png" style="max-width:185px; max-height:70px;">
<a class="results-btn contact-btn" href="CompanyProfile.aspx?PID=4813&country=211&practicearea=0&pagenum=" title="View Full Profile">VIEW FULL PROFILE</a>
<!--<a class="results-btn contact-btn" href="CompanyProfile.aspx?PID=4813&country=211&practicearea=0&pagenum=" title="1-844-Iran-Law">CONTACT</a>-->
<a class="results-btn website-btn" href="http://www.1844iranlaw.com" title="www.1844iranlaw.com">VIEW WEBSITE</a>
</li>
</li>
Результат регулярного выражения
Group 1. 54-58 `4813` // company profile
Group 2. 71-74 `211` // country id
Group 3. 92-93 `0` // practice area
Group 5. 115-129 `1-844-Iran-Law` // company name
Group 6. 131-147 `Amin Alemohammad` // Person's name
Что у меня есть:
preg_match_all('/<a class="profile-link" href="CompanyProfile\.aspx\?PID=(.*?)&country=([0-9]{1,}?)&practicearea=([0-9]{1,10}?)&pagenum=\?" title="(.*?)">(.*?)<\/a>/', $result, $match, PREG_PATTERN_ORDER);
dd($match);
который возвращается
array:6 [▼
0 => []
1 => []
2 => []
3 => []
4 => []
5 => []
]
Количество совпадений правильное -> 5 совпадений в строковом шаблоне, но я не могу понять, почему он возвращает пустые значения.
Спасибо за любую помощь заранее, так как я перепробовал так много подходов, но не за правильный и не видел, что мне не хватает.
Решение
Вместо использования регулярных выражений вы можете использовать DOMDocument.
Чтобы получить значения из href атрибут, который вы могли бы использовать взрываться а также parse_str.
$html = <<<HTML
<a class="profile-link" href="CompanyProfile.aspx?PID=4813&country=211&practicearea=0&pagenum=" title="1-844-Iran-Law">Amin Alemohammad</a>
HTML;
$doc = new DOMDocument();
$doc->loadHTML($html);
foreach($doc->getElementsByTagName('a') as $a) {
if ($a->getAttribute('class') === 'profile-link') {
$parts = explode('?', $a->getAttribute('href'), 2);
parse_str($parts[1], $output);
echo 'Title: ' . $a->getAttribute('title') . '<br>';
echo 'Text: ' . $a->nodeValue . '<br>';
echo 'PID: ' . $output['PID'];
// etc..
}
}
Другие решения
Код: (демонстрация)
$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$output = [];
foreach ($xpath->evaluate("//a[@class='profile-link']") as $node) {
parse_str(parse_url($node->getAttribute('href'), PHP_URL_QUERY), $output);
$output['title'] = $node->getAttribute('title');
$output['text'] = $node->nodeValue;
}
var_export($output);
Выход:
array (
'PID' => '4813',
'country' => '211',
'practicearea' => '0',
'pagenum' => '',
'title' => '1-844-Iran-Law',
'text' => 'Amin Alemohammad',
)
Я считаю, что это использует всю красоту языка PHP с DomDocument с Xpath надежно / непосредственно нацелиться на соответствующий тег / узел, затем parse_url() с parse_str() чтобы красноречиво преобразовать данные строки запроса в нужные пары ключ-значение.
Теперь у вас будет что-то стабильное без хаки str_replace() звонки или регулярные выражения.
Ну, после некоторого времени копаться в проблеме, анализируя весь HTML-код, который будет проанализирован preg_match_all() Я просто работаю, добавив пару строк, чтобы заменить \t \r \n из HTML, так как добавление его в регулярное выражение не работает.
Таким образом, решение было бы добавить следующие две строки перед preg_match_all():
(...)
$result = curl_exec($curl); // already there
$result = str_replace(["&"], "&", $result); // new
$result = str_replace(["\t", "\r", "\n"], "", $result); // new
$regex = '/<a class="profile-link" href="CompanyProfile\.aspx\?PID=(.*?)&country=([0-9]{1,}?)&practicearea=([0-9]{1,}?)&pagenum=" title="(.*?)">(.*?)<\/a>/s';
preg_match_all($regex, $result, $match, PREG_SET_ORDER);
Тогда вместо того, чтобы в ссылке &Я заставил & символ в регулярном выражении. Это работает как шарм!
Чем вы все, кто там помогал!
detector