タグを除外するXpathの書き方について

前提・実現したいこと

上記の構造のhtmlからDOMxpathを用いて<header>タグを抜いた状態の<body>タグを抽出したいのですが、xpathの書き方がわからず困っています。

$body = $xpath->query('//body')->item(0)->nodeValue;

で<body>タグの抽出には成功しています。

<?php

$url = "https://4travel.jp/travelogue/11405390";


$html = file_get_contents($url,false,$context);
$dom = new DOMDocument;
@$dom->loadHTML(
        mb_convert_encoding($html, 'HTML-ENTITIES', 'ASCII,JIS,UTF-8,eucJP-win,SJIS-win'),
        LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD
);

        $xpath = new DOMXPath($dom);


        $body_text = $xpath->query('//body/*[not(self::header)]')->item(0)->nodeValue;
        //$body_text = $xpath->query('//body')->item(0)->nodeValue;
        echo $body_text;

試したこと

$body = $xpath->query('//body/*[not(self::header)]->item(0)->nodeValue;

でやってみたのですが、<header>タグが消えてませんでした。

補足情報（FW/ツールのバージョンなど）

ubuntu18.04
Apache/2.4.29
PHP 7.2.5

行動規範の内容に同意します

回答2件

これでいかがでしょうか。

//body/*[not(self::header)]で確かにheaderタグはスキップしているのをChromeで確認できたので、あとはぐるぐる回して文字列を連結していけばいいです。

PHP
1$body_text = "";
2foreach ($xpath->query('//body/*[not(self::header)]') as $row) {
3  $body_text .= $row->nodeValue;
4}
5
6print($body_text);

投稿2018/11/04 11:23

moonphase

総合スコア6621

ベストアンサー

XPathでは無理では？
headerノードをremoveChildするのでしょうね。

#追記

headerタグを抜いた状態のbodyタグを抽出したい

ではなく、

bodyタグの子要素のうちheaderタグ以外のタグを抽出したい

ということで。

PHP
1        $all = $xpath->query('//body/*');
2        $not_header = $xpath->query('//body/*[not(self::header)]');
3
4	var_dump($all);
5	var_dump($not_header);

で、

Plain
1object(DOMNodeList)#28 (1) {
2  ["length"]=>
3  int(25)
4}
5object(DOMNodeList)#29 (1) {
6  ["length"]=>
7  int(24)
8}

になるので、ちゃんと1件除外されて、24件抽出できているようです。
#追記2
item(0)のnodeValueは空で正常でしょう。
item(0)->nodeValueからitem(23)->nodeValueまでを繋ぎます。

PHP
1$body = $xpath->query('//body/*[not(self::header)]');
2$nodevalue="";
3for($i=0; $i<$body->length; $i++){
4        $nodevalue .= $body->item($i)->nodeValue;
5}
6echo($nodevalue);

scriptタグの内容がじゃまな気がします。

投稿2018/10/23 07:41

編集2018/10/31 11:32

otn

総合スコア86281

agep31

2018/10/23 07:55

ご回答ありがとうございます。 https://teratail.com/questions/81338 を参考にしてみたのですが、Xpathではできないのでしょうか？

otn

2018/10/23 12:02

もしかして、 > headerタグを抜いた状態のbodyタグを抽出したいではなく、 > bodyタグの子要素のうちheaderタグ以外のタグを抽出したいでしょうか？であれば、 "//body/*[not(self::header)]" で良いはずです。書かれているコードにはエラーがありますが、タイプミスしているのでは？

agep31

2018/10/25 02:55

bodyタグの子要素のうちheaderタグ以外のタグの要素を抽出したいです。"//body/*[not(self::header)]"としてやってみたのですが、何も抽出できませんでした。プログラムのソースを載せます。

agep31

2018/10/25 05:41

こちらでもvar_dumpで確認したところ、1件減っていました。ただ、テキストが抽出できないです。

otn

2018/10/25 08:30 編集

それは、XPathじゃなくて、->item(0)->nodeValue の問題ですね。何を得たいのでしょうか？var_dump(～～->item(n)）してみるとか。

agep31

2018/10/31 02:10

返信遅れてしまい申し訳ありません。得たいものは<header>タグを除いた<body>タグの中身（テキスト）です。 var_dump($xpath->query('//body/*[not(self::header)]')->item(0)); としてやってみたのですが["nodeValue"]=> string(0)となっておりテキストが入っていないと思われます。

行動規範の内容に同意します

あなたの回答