DOMXPathでXMLの特定のタグを抽出できない

下記のようなDOMXpathで特定のタグを抽出したいのですが、ix:nonNumericタグが取得できません。 $xpath->query('//h1');であれば正しく取得されるのですが、このようにXMLの特殊なタグはDOMXpathでは取得できないのでしょうか？
うまく取得する方法があればアドバイスをください。
宜しくお願いいたします。

php
1<?php
2$url="http://xxx";
3$html=file_get_contents($url);
4
5$dom = new DOMDocument('1.0', 'UTF-8');
6$html = mb_convert_encoding($html, "HTML-ENTITIES", 'auto');
7@$dom->loadHTML($html);
8$xpath = new DOMXPath($dom);
9$xpath->registerNamespace("php", "http://php.net/xpath");
10$xpath->registerPHPFunctions();
11
12$xi = $xpath->query('//ix:nonNumeric');
13var_dump($xi);
14

XML
1http://xxxの中身
2
3<?xml version="1.0" encoding="utf-8"?>
4<html version="-//XBRL International//DTD XHTML Inline XBRL 1.0//EN" xmlns="http://www.w3.org/1999/xhtml" xmlns:ix="http://www.xbrl.org/2008/inlineXBRL" xmlns:ixt="http:/
5<!--中略-->
6<h1>３．FS</h1><ix:nonNumeric name="jpsps_cor:BalanceSheetTextBlock" contextRef="CurrentYearDuration" escape="true"><h2>（１）貸借対照表</h2><div><table style="table-layout: fixed; width: 647.989990234376px" cellpadding="0" cellspacing="0"><colgroup><col style="width: 
7<!--後略-->

また、Xpathではなくとも通常のDOM操作でもこのようなタグを拾えません、、
XMLで使用されるような特殊なタグは取得できないのでしょうか。。。

php
1$dom = new DOMDocument('1.0', 'UTF-8');
2$dom->preserveWhiteSpace = false;
3$dom->formatOutput = true;
4$dom->load($url);
5
6$root = $dom->getElementsByTagName("ix");//ix:nonNumericでもだめです
7var_dump($root);

ockeghem

2019/05/10 12:45

XMLの例が中途半端でちぎれているので、差支えのない範囲で、ちぎれていないデータを提示ください。また、XMLと言われている割には、html要素で始まっていますが、このようなデータなのですか?

maguzo

2019/05/13 00:14

コメントありがとうございます。有報キャッチャーというAPIから提供されているデーターなのですが、生のソースはこちらです。http://resource.ufocatch.com/xbrl/tdnet/TD2019021500159/XBRLData/Attachment/0101010-arbs01-tse-anrejpfr-89510-2018-12-31-01-2019-02-15-ixbrl.htm 私もあまり明るくなくて申し訳ないのですが、ソースコードを見ると、xmlから始まるのですが実際にはHTMLで記載されているように思われます。たまにこういうコード（文頭XMLタグからスタートするにもかかわらず、実際は違う）を見かけるのですが、実際にはHTMLと思われます。ただし、中の要素を見るとHTMLにはないxiの様なタグもあるので、混合型ということなのでしょうか。。宜しくお願い申し上げます。

行動規範の内容に同意します

回答2件

ベストアンサー

コメントにて提示いただいたXMLはインラインXBRLというものですね。
質問のソースは、いかにもコピペという感じで、不要なコートが多く含まれていました。不要なものを削除し、修正をほどこしたところ、以下のような形で読み込めるようです。
ix:nonNumeric の部分は、XMLの名前空間というものを使った表記です。

PHP
1<?php
2$url = "http://resource.ufocatch.com/xbrl/tdnet/TD2019021500159/XBRLData/Attachment/0101010-arbs01-tse-anrejpfr-89510-2018-12-31-01-2019-02-15-ixbrl.htm";
3$html = file_get_contents($url);
4$dom = new DOMDocument('1.0', 'UTF-8');
5@$dom->loadXML($html);
6
7$xpath = new DOMXPath($dom);
8$xpath->registerNamespace("ix", "http://www.xbrl.org/2008/inlineXBRL");
9$xi = $xpath->query('//ix:nonNumeric');
10
11//var_dump($xi);
12foreach ($xi as $element) {
13  var_dump($element);
14}

投稿2019/05/13 09:30

ockeghem

総合スコア11701

maguzo

2019/05/13 22:43

コメント有難うございます！名前空間を登録する関数のregisterNamespaceについて、マニュアルをみても分からなかったのですが、第2引数の"http://www.xbrl.org/2008/inlineXBRL"はどこから引用されている、または何を引用すべきなんでしょうか？重ねて申し訳ございませんが、宜しくお願い申し上げます。

ockeghem

2019/05/14 02:23

XML内の xmlns:ix="http://www.xbrl.org/2008/inlineXBRL" から転載しました

maguzo

2019/05/14 04:36

有難うございます！とても助かりました。

行動規範の内容に同意します

XPathなんて使ったことないが、以下でできるようだぞ

foreach ($dom->getElementsByTagNameNS('namespace', '*') as $element) {
    echo 'local name: ', $element->localName, ', prefix: ', $element->prefix, "\n";
}

```localNameがnonNumericでprefixがixになるようだぞ
必要なものをifで判定して取るしかないな

https://www.php.net/manual/ja/domdocument.getelementsbytagname.php
https://www.php.net/manual/ja/domdocument.getelementsbytagnamens.php

投稿2019/05/12 23:44