Извлечение данных из HTML с использованием PHP и xPath
Я пытаюсь извлечь данные из веб-страницы, чтобы вставить их в базу данных. Данные, которые меня интересуют, находятся в div, которые имеют class = "company". На одной веб-странице есть 15 или меньше подобных div, и есть много страниц, с которых я пытаюсь извлечь эти данные. По этой причине я пытаюсь найти автоматическое решение для извлечения данных.
Элемент div с class = "company" выглядит следующим образом (на одной странице может быть 15 или менее элементов типа div с разными данными):
<div class="company" id="company-6666"> <!-- EXTRACT 'company-6666' from id="company-6666" -->
<div class="top clearfix">
<div class="name clearfix">
<h2>
<a href="/company-name">Company Name</a> <!-- EXTRACT 'Company Name' from contents of A element and EXTRACT '/company-name' from href attribute -->
<a href="/branches-list-link?parent_id=6666" class="branches">Branches <span>(5)</span></a> <!-- EXTRACT '/branches-list-link?parent_id=6666' from href attribute -->
</h2>
</div>
</div>
<div class="inner clearfix has-logo">
<div class="clearfix">
<div class="logo">
<a href="/company-name">
<img src="/graphics/company/logo/listing/123456.jpg?_ts=1365390237" border="0" alt="" /> <!-- EXTRACT '/graphics/company/logo/listing/123456.jpg?_ts=1365390237' from src attribute -->
</a>
</div>
<div class="info">
<div class="address">StreetName 500, 7777 City, County</div> <!-- EXTRACT 'StreetName 500, 7777 City, County' from contents of class="address" div -->
<div class="clearfix">
<div class="slogan">Lorem ipsum dolor sit amet, consectetur adipiscing elit. Morbi ac condimentum mi.</div> <!-- EXTRACT 'Lorem ipsum dolor sit amet, consectetur adipiscing elit. Morbi ac condimentum mi.' from contents of class="slogan" div -->
</div>
</div>
</div>
<div class="actions-bar clearfix">
<ul>
<li><span class="phone-number">6666666</span></li> <!-- EXTRACT '6666666' from contents of class="phone-number" div -->
<li><a href="mailto:[email protected]" target="_blank" title="[email protected]" class="email">[email protected]</a></li> <!-- EXTRACT '[email protected]' from contents of class="email" div -->
<li><a href="http://www.webpage.com" target="_blank" title="www.webpage.com" class="redirect url">www.webpage.com</a></li> <!-- EXTRACT 'www.webpage.com' from contents of class="redirect url" div -->
</ul>
</div>
</div>
</div>
Пока у меня есть следующий код PHP ($ output имеет HTML-код веб-страницы):
<?php
$doc = new DomDocument();
@$doc->loadHTML($output);
$doc->preserveWhiteSpace = false;
$xpath = new DomXPath($doc);
$elements = $xpath->query("//*[@class='company']");
if (!is_null($elements)) {
foreach ($elements as $element) {
echo $element->nodeValue;
}
}
?>
Кажется, что он получает все 15 div с class = "company", но я понятия не имею, как извлечь ранее упомянутые (в комментариях HTML-кода) отдельные значения.
Каждый div (я говорю о div с class = "company") не имеет всех значений, записанных в блоке HTML. Так или иначе, я должен сделать запрос, если существует определенный div внутри div компании, где данные, которые меня интересуют, существуют, и если они существуют, я должен проверить, не является ли он пустым (содержит текст между тегами или нет). Если он существует и не пуст, я добавляю его в переменную.
После того, как значения извлечены, я хотел бы назначить их переменным PHP, которые позволят мне впоследствии поработать с ними. Было бы еще лучше, если извлеченные значения помещаются в массив следующим образом:
$result = array(
// 1'st div's data
[0] =>
'company name' => 'company name',
'company link' => 'company link',
'company id' => 'company id',
'company branches' => 'branches link',
'company logo' => 'logo',
'company address' => 'address',
'company slogan' => 'slogan',
'company webpage' => 'webpage',
'company email' => 'email',
'company phone' => 'phone'
// 2'nd div's data
[1] =>
'company name' => 'company name',
'company link' => 'company link',
'company id' => 'company id',
'company branches' => 'branches link',
'company logo' => 'logo',
'company address' => 'address',
'company slogan' => 'slogan',
'company webpage' => 'webpage',
'company email' => 'email',
'company phone' => 'phone'
...
)