web-dev-qa-db-ja.com

file_get_contentsを使用してphpテーブルにhtmlテーブルを解析します

表示されているテーブルを解析しようとしています here を多次元のphp配列に変換します。次のコードを使用していますが、何らかの理由で空の配列が返されます。 Webを検索したところ、 this site が見つかりました。これは、parseTable()関数を取得した場所です。そのウェブサイトのコメントを読んだところ、機能が完全に機能していることがわかりました。そのため、file_get_contents()からHTMLコードを取得する方法に問題があると想定しています。私が間違っていることについて何か考えはありますか?

<?php

$data = file_get_contents('http://flow935.com/playlist/flowhis.HTM');

function parseTable($html)
{
  // Find the table
  preg_match("/<table.*?>.*?<\/[\s]*table>/s", $html, $table_html);

  // Get title for each row
  preg_match_all("/<th.*?>(.*?)<\/[\s]*th>/", $table_html[0], $matches);
  $row_headers = $matches[1];

  // Iterate each row
  preg_match_all("/<tr.*?>(.*?)<\/[\s]*tr>/s", $table_html[0], $matches);

  $table = array();

  foreach($matches[1] as $row_html)
  {
    preg_match_all("/<td.*?>(.*?)<\/[\s]*td>/", $row_html, $td_matches);
    $row = array();
    for($i=0; $i<count($td_matches[1]); $i++)
    {
      $td = strip_tags(html_entity_decode($td_matches[1][$i]));
      $row[$row_headers[$i]] = $td;
    }

    if(count($row) > 0)
      $table[] = $row;
  }
  return $table;
}

$output = parseTable($data);

print_r($output);

?>

出力配列を次のようにしたい:

 1 
-> 11:33 AM 
-> DEV 
-> IN THE DARK 
 
 2 
-> 11:29 AM 
-> LIL 'WAYNE 
-> SHE WILL 
 
 3 
-> 11 :26AM 
->カーディナルオフィシャル
-> NUMBA 1(TIDE IS HIGH)
13
Farhan Ahmad

regexpsを使用してHTMLを解析するのを妨げないでください!代わりに、HTMLパーサーライブラリにマークアップの構造を気にさせてください。

Simple HTML DOM( http://simplehtmldom.sourceforge.net/ )をチェックすることをお勧めします。これは、PHPでこの種のWebスクレイピングの問題を解決するために特別に作成されたライブラリです。そのようなライブラリーを使用することにより、機能する正規表現の作成を心配することなく、コード行をはるかに少なくしてスクレイピングを書くことができます。

原則として、シンプルなHTML DOMでは、次のように記述します。

$html = file_get_html('http://flow935.com/playlist/flowhis.HTM');
foreach($html->find('tr') as $row) {
   // Parse table row here
}

次に、これを拡張して、たとえば、アーティストの配列や対応するタイトルを次のように作成するなど、何らかの形式でデータをキャプチャできます。

<?php
require('simple_html_dom.php');

$table = array();

$html = file_get_html('http://flow935.com/playlist/flowhis.HTM');
foreach($html->find('tr') as $row) {
    $time = $row->find('td',0)->plaintext;
    $artist = $row->find('td',1)->plaintext;
    $title = $row->find('td',2)->plaintext;

    $table[$artist][$title] = true;
}

echo '<pre>';
print_r($table);
echo '</pre>';

?>

このコードを変更して、(簡単に)データを他の方法で再フォーマットできることがわかります。

49
jsalonen

Simple_html_domを試しましたが、大きなファイルと関数の繰り返し呼び出しで、php 5.3(GAH)でzend_mm_heap_corruptedを取得しています。私はpreg_match_allも試しました(ただし、これはHTMLテーブルの約400行にすぎなかったhtmlのより大きなファイル(5000)行では失敗していました。

私はこれを使用しており、その動作は速く、エラーを吐き出していません。

$dom = new DOMDocument();  

//load the html  
$html = $dom->loadHTMLFile("htmltable.html");  

  //discard white space   
$dom->preserveWhiteSpace = false;   

  //the table by its tag name  
$tables = $dom->getElementsByTagName('table');   


    //get all rows from the table  
$rows = $tables->item(0)->getElementsByTagName('tr');   
  // get each column by tag name  
$cols = $rows->item(0)->getElementsByTagName('th');   
$row_headers = NULL;
foreach ($cols as $node) {
    //print $node->nodeValue."\n";   
    $row_headers[] = $node->nodeValue;
}   

$table = array();
  //get all rows from the table  
$rows = $tables->item(0)->getElementsByTagName('tr');   
foreach ($rows as $row)   
{   
   // get each column by tag name  
    $cols = $row->getElementsByTagName('td');   
    $row = array();
    $i=0;
    foreach ($cols as $node) {
        # code...
        //print $node->nodeValue."\n";   
        if($row_headers==NULL)
            $row[] = $node->nodeValue;
        else
            $row[$row_headers[$i]] = $node->nodeValue;
        $i++;
    }   
    $table[] = $row;
}   

var_dump($table);

このコードは私にとってはうまくいきました。元のコードの例はこちらです。

http://techgossipz.blogspot.co.nz/2010/02/how-to-parse-html-using-dom-with-php.html

18
John Ballinger