如何使用 PHP 抓取 HTML 表格数据

Question

编辑：没有说清楚。我正在使用 PHP我正在尝试创建一个现代化的 Boxrec 网站，我正在从维基百科抓取数据。在拳击手的每个维基百科页面中，都有一张他们的比赛表格。我已经成功地从另一个表中提取了胜利、失败和平局数据。我如何使用 PHP 将战斗表数据提取到某种（2D？）纯文本数组中？这是该表的链接（这是第二个表，较大的一个） https://en.wikipedia.org/wiki/Sugar_Ray_Robinson#Professional_boxing_record这是我尝试过的代码（我可能完全不同意这个）$dom = new domDocument;$dom->loadHTML($table);$dom->preserveWhiteSpace = false;$tables = $dom->getElementsByTagName('table');$rows = $tables->item(1)->getElementsByTagName('tr');foreach ($rows as $row) {        $cols = $row->getElementsByTagName('td');        echo $cols[2];}这给了我警告： DOMDocument::loadHTML()：意外的结束标记：实体中的 div，第 38 行 C:\xampp\htdocs\boxing\search\index.php 中的第 4375 行

Answer 1

我看到的几个问题：

1. $tables->item(1)->getElementsByTagName('tr');将始终为您提供页面中的第二个表格，该表格将是右侧个人统计数据块中的表格

2. 由于$cols[2]不是简单类型的对象，您将收到警告而不是内容。用于echo $cols[2]->textContent输出内部文本。

我建议加载所有表，然后根据结果表中不同的表标题进行检查（如果您正在解析结果表）。然后提取适当的列。

示例代码：

下面的代码仅显示如何检查表中的示例标题“Result”，然后输出结果列。请根据您的预期目的进行调整。

<?php

$table = file_get_contents('https://en.wikipedia.org/wiki/Sugar_Ray_Robinson');

$dom = new DOMDocument;

$dom->loadHTML($table);

$dom->preserveWhiteSpace = false;

$tables = $dom->getElementsByTagName('table');

foreach ($tables as $singleTable) {

    try {

        $rows = $singleTable->getElementsByTagName('tr');

        // check if we are parsing the right table:

        $row1= $rows[0]->getElementsByTagName('th');

        

        $isResultTable= FALSE;

        foreach ($row1 as $th) {

            if (trim($th->textContent) === 'Result') {

                $isResultTable = TRUE;

            }

        }

        

        if (!$isResultTable) continue;

        

        foreach ($rows as $row) {   

            $cols = $row->getElementsByTagName('td');

            echo $cols[2]->textContent;

        }       

    } catch (Exception $ex) {

        print_r($ex);

    }

}