質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

91.25%

  • PHP

    15753questions

    PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

phpQueryで特定の要素をはじく

受付中

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 83

HiruLow

score 14

スクレイプ処理にphpQueryを使っているのですが、以下のような場合どうしても子階層のテキストまで取得してしまいます。

<div class="box">
<p>ここはいらない</p>
ここだけ欲しい
</div>

<div class="box">
ここだけ欲しい
</div>

<div class="box">
ここだけ欲しい
<p>ここはいらない</p>
</div>
$doc = phpQuery::newDocument($html);///上記HTML
$data=$doc->find(".box");
foreach($data as $val) {
    $get= pq($val)->text();
}

子階層まで取得しないにはどうしたらいいのでしょうか。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

0

こんにちは。

少し調べてみましたがどうやらphpQueryでは、HiruLowさんも苦心されたとおり、

子階層(のテキスト)まで取得しない

ようにするのが難しそうです。

ご質問にある、「ここだけ欲しい」のテキストだけ取ってくるには、

<div class="box"> の直下にあるテキストノードだけを取得する

という指定ができる必要がありますが、phpQuery がサポートする
セレクタでは難しいようです。

どうしても、phpQuery で、ということになると、たとえば

<div class="box">
<p>ここはいらない</p>
ここだけ欲しい
</div>

だったら、<div class="box"> の text() で得られる
ここはいらない ここだけ欲しい
という文字列から、子要素の <p>ここはいらない</p> の text() で
得られる ここはいらない を差し引いて
ここだけ欲しいを得る、といった処理が必要になってきそうで、
とても面倒です。

このご質問で望ましい要素指定である「ある要素の直下のテキストノード」
という指定は XPATH ならできますので、XPATHをサポートする
DOMDocument
を使えば、以下のような感じで目的は一応果たせるかと思います。

<?php

$html = <<< HTML
<div class='box'>
<p>ここはいらない</p>
ここだけ欲しい1
</div>

<div class='box'>
ここだけ欲しい2
</div>

<div class='box'>
ここだけ欲しい3
<p>ここはいらない</p>
</div>
HTML;

$dom = new DOMDocument;

$html = mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8');

$dom->loadHTML($html);

$xpath = new DOMXPath($dom);

echo("<html><head><meta charset=\"utf-8\"></head>");
echo("<body><ul>");

foreach ($xpath->query('//div[@class="box"]/text()') as $node) {
    if (strlen(trim($node->nodeValue)) > 0)
        echo("<li>" . $node->nodeValue . "</li>");
}

echo("</ul></body></html>");

上記の PHP にブラウザからアクセスすると以下のようになります。

イメージ説明

以上参考になれば幸いです。


追記

もう1案あるのですが、処理対象の HTML の中で、<div class="box"> と、
これの閉じタグである </div> が現れる行に何らかの規則があるのだったら、
HTMLパーサーを使わずに、HTMLを普通のテキストとして1行1行読んでいき、
この何らかの規則にそって、<div class="box">から </div> までの
複数行(あるいは1行)をひとつの文字列として取り込んで、あとは、
その文字列に対して正規表現で欲しい部分をキャプチャするという手もあると
思います。

上記で、「何らかの規則」と書いた具体例としては
たとえば以下のような2つのルールが考えられます。

  1. <div class="box"> が出現するときは、必ず1行の中に入っている。

これはたとえば

<div 
 class="box"
>


のようになっていることはない、ということを意味します。

2. <div class="box"> の閉じタグ </div> の直後には <!-- end of box --> というコメントがある。

</div><!-- end of box -->

上記は、あくまで、たとえばの話ですが、このようなルールがあれば、
<div class="box">・・・</div> を文字列で取り出すのは
それほど大変ではなく、文字列で取り出せさえすれば正規表現という
強力な武器を使えます。

※ただし、<div class="box"> の直下であれば、どの位置にあっても、
そのテキストノードを正規表現で取り出せるか?といえば、それは微妙です。
(いろいろ言ってすみません。)

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

ただいまの回答率

91.25%

関連した質問

同じタグがついた質問を見る

  • PHP

    15753questions

    PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。