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

88.58%

タグを除外するXpathの書き方について

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,315

agep31

score 29

 前提・実現したいこと

<html>
<body>
<header>
</header>
</body>
<html>

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

  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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 2

checkベストアンサー

0

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。

        $all = $xpath->query('//body/*');
        $not_header = $xpath->query('//body/*[not(self::header)]');

    var_dump($all);
    var_dump($not_header);


で、

object(DOMNodeList)#28 (1) {
  ["length"]=>
  int(25)
}
object(DOMNodeList)#29 (1) {
  ["length"]=>
  int(24)
}


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)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。

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


scriptタグの内容がじゃまな気がします。

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。

  • 2018/10/25 14:41

    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。

    キャンセル

  • 2018/10/25 17:23 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。

    キャンセル

  • 2018/10/31 11:10

    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。

    キャンセル

0

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。

$body_text = "";
foreach ($xpath->query('//body/*[not(self::header)]') as $row) {
  $body_text .= $row->nodeValue;
}

print($body_text);

投稿

  • 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 88.58%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る