Стояла задача – собрать некую их статичных html-файлов,в основном табличные данные и ещё немного всего по вершкам. Вёрстка не ахти, поэтому встал вопрос о том что некоторые страницы придётся “парсить вручную”… Закономерности есть, но слишком много условностей (где-то есть class,где-то id, где-то в table есть tbody и т.п.) …
Казалось бы ничего сложного – регулярные выражения вроде бы просто созданы для этого… но мне как-то неулыбалось их составлять… И тут я вспомнил что совсем недавно, исследуя mozdev.org наткнулся на плагин к firefox-у, который зовётся Xpather.Он помимо основной своей функции (показывать нужные ноды по пути и путь выбранной ноды), имеет кратенькую справку, которая открыла глаза на лёгкость написания “непонятных заборов и закорючек”.
“Отлично” – подумал я – “так тому и быть…”. Осталось преобразовать имеющуюся в наличии совсем невалидную html-ку в xml. Tidy мне помочь отказался (или, что вернее,я не умею его готовить) , tidy_clean_repair предлагал мне “исправить” разметку и т.д. и т.п. Тут же вспомнился замечательный класс SafeHTML ( он так же проживает в PEAR::HTML_Safe ), который помог расчистить разнообразный хлам и выдал мне xhtml. Ну а далее DOMDocument::loadHTML. Но ёлки-палки… ругается на nobr ещё на что-то… но дерево выдаёт. Поставить соб@ку ? ну уж нет… SafeHTML имеет в свойствах массив $deleteTags, туда и добавил nobr и ещё парочку совсем ненужных мне тегов (img например). И так у меня есть dom-дерево, у меня есть функция simplexml_import_dom и есть чёткая уверенность в том что в третьей таблице, во всех рядах начиная с третьего, во второй ячейке есть необходимые мне данные, но они являются необходимыми если среди текста этой ячейки есть ключевое слово (пусть это будет “keyword”). Я конечно “не боюсь” регулярных выражений, но не настолько хорошо их знаю чтобы написать нужное мне. А вот xpath тут как нельзя кстати :
$xpath = “//table[position() = 3]//tr[position() >=3]//td[position() = 2 and contains(text(),”keyword”)]/text()”;
После выполнения $simplexml->xpath($xpath); я получаю массив, который содержит текст из искомых ячеек.
Итого: избавил товарищей от долгой и нудной,ручной подготовки данных, ещё раз убедился что xpath это вам не пряники на кладбище тырить не только страшная абревиатура, но полезная штука…
P.S.
Я ни в коем случае не предлагаю повсеместно применять подобную технику (построение dom-дерева операция очень “памятеёмкая”, xpath вероятнее всего тоже), но в ряде случаев использовать такой метод проще и понятнее иных методов…
И название поста “дурацкое”, но на другое не хватает буйности фантазии…
Technorati Tags: dev, web, php, xpath, simplexml