PHPでHTMLを解析して値を抽出する

Question

ウェブサイトから情報を抽出しようとしています。私はsome text hereで始まる部分（正規表現または他の溶液で）を見つけると、そのからtext to extractを抽出したい

<th>Some text here</th><td>text to extract</td> 

：

はそのように見ている節があります。

は、私は、次の正規表現のソリューションを使用しようとしていた。

$reg = '/<th>Some text here<\/th><td>(.*)<\/td>/'; 
preg_match_all($reg, $content, $result, PREG_PATTERN_ORDER); 

print_r($result); 

を、それは私にちょうど空の配列を与える：

Array ([0] => Array () [1] => Array ()) 

どのように私は私の正規表現は、希望値を抽出するために構築する必要がありますか？または、それを抽出するために他にどのようなソリューションを使用できますか？

Answer 1

のXPathの使用：

$dom = new DOMDocument; 
libxml_use_internal_errors(true); 
$dom->loadHTML($html); 
libxml_clear_errors(); 

$xp = new DOMXPath($dom); 

$content = $xp->evaluate('string(//th[.="Some text here"]/following-sibling::*[1][name()="td"])'); 

echo $content; 

XPathクエリの詳細を：

string( # return a string instead of a node list 
    // # anywhere in the DOM tree 
    th # a th node 
    [.="Some text here"] # predicate: its content is "Some text here" 
    /following-sibling::*[1] # first following sibling 
    [name()="td"] # predicate: must be a td node 
) 

あなたのパターンがうまくいかない理由は、おそらくtdの内容に改行文字（ドットでは一致しません）

Answer 2

これにはDOMDocumentを使用できます。

$domd=@DOMDocument::loadHTML($content); 
$extractedText=NULL; 
foreach($domd->getElementsByTagName("th") as $ele){ 
    if($ele->textContent!=='Some text here'){continue;} 
    $extractedText=$ele->nextSibling->textContent; 
    break; 
} 
if($extractedText===NULL){ 
//extraction failed 
} else { 
//extracted text is in $extractedText 
} 

（コメントの誰かがすでに指摘したように、正規表現は、一般的にHTMLを解析するための悪いツールです）