PHP DOMDocument：解析HTML元素及提取内容与属性的完整指南

<?php
$html = "<td><a href='http://google.hr'>test1</a><div>Test2</div></td>";

// 创建一个新的DOMDocument实例
$dom = new DOMDocument();

// 启用内部错误处理，避免HTML解析警告污染输出
libxml_use_internal_errors(true); 

// 加载HTML字符串
// loadHTML方法会自动添加缺失的HTML、HEAD、BODY标签，以形成一个完整的DOM结构
$dom->loadHTML($html);

// 禁用内部错误处理
libxml_use_internal_errors(false); 

echo "HTML内容已成功加载到DOMDocument。\n";
?>

<?php
$html = "<td><a href='http://google.hr'>test1</a><div>Test2</div></td>";
$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_use_internal_errors(false);

echo "<h3>所有元素信息：</h3>";
// 获取文档中的所有元素
foreach ($dom->getElementsByTagName('*') as $element) {
    echo "元素标签名: " . $element->nodeName . "\n";
    // 对于元素节点，textContent通常更适合获取其包含的所有文本内容
    echo "元素文本内容: " . trim($element->textContent) . "\n"; 
    echo "---------------------------\n";
}
?>

<?php
$html = "<td><a href='http://google.hr'>test1</a><div>Test2</div></td>";
$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_use_internal_errors(false);

// 获取第一个td元素
$tdElement = $dom->getElementsByTagName("td")->item(0);

if ($tdElement) {
    echo "<h3>td 元素内容示例：</h3>";
    echo "标签名 (nodeName): " . $tdElement->nodeName . "\n";
    // nodeValue对于包含子元素的节点，通常不是我们期望的完整文本
    echo "nodeValue (可能不完整): " . trim($tdElement->nodeValue) . "\n";
    // textContent获取元素及其所有子元素的文本内容
    echo "textContent (完整文本): " . trim($tdElement->textContent) . "\n";
    echo "---------------------------\n";

    // 遍历td的子元素
    foreach ($tdElement->childNodes as $childNode) {
        // 仅处理元素节点（nodeType == 1）
        if ($childNode->nodeType === XML_ELEMENT_NODE) {
            echo "子元素标签名: " . $childNode->nodeName . "\n";
            echo "子元素文本内容: " . trim($childNode->textContent) . "\n";
            echo "---------------------------\n";
        }
    }
}
?>

<?php
$html = "<td><a href='http://google.hr' target='_blank'>test1</a><div>Test2</div></td>";
$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_use_internal_errors(false);

// 获取第一个<a>标签
$aElement = $dom->getElementsByTagName('a')->item(0);

if ($aElement && $aElement->hasAttributes()) {
    echo "<h3>a 标签属性信息：</h3>";
    // 遍历所有属性
    foreach ($aElement->attributes as $attr) {
        $name = $attr->nodeName;
        $value = $attr->nodeValue;
        echo "属性 '$name' :: '$value'\n";
    }
} else {
    echo "未找到a标签或a标签没有属性。\n";
}
?>

<?php
$html = "<td>
            <a href='http://google.hr' class='link'>Test Link</a>
            <div>
                <span>Nested Text</span>
                <img src='image.png' alt='Example Image'>
            </div>
            Plain Text Directly in TD
        </td>";

$dom = new DOMDocument();
libxml_use_internal_errors(true); // 启用内部错误处理
$dom->loadHTML($html);
libxml_use_internal_errors(false); // 禁用内部错误处理

echo "<h3>解析复杂td元素内容：</h3>";

// 获取td元素（假设只有一个td或我们只关心第一个）
$tdElements = $dom->getElementsByTagName("td");
if ($tdElements->length > 0) {
    $td = $tdElements->item(0);

    // 遍历td元素的所有子节点
    // 注意：childNodes包括元素节点、文本节点、注释节点等
    foreach ($td->childNodes as $node) {
        // 仅处理元素节点
        if ($node->nodeType === XML_ELEMENT_NODE) {
            echo "---------------------------------\n";
            echo "元素标签名: " . $node->nodeName . "\n";
            echo "元素文本内容 (textContent): " . trim($node->textContent) . "\n";

            // 检查并提取属性
            if ($node->hasAttributes()) {
                echo "  属性:\n";
                foreach ($node->attributes as $attr) {
                    echo "    - " . $attr->nodeName . ": " . $attr->nodeValue . "\n";
                }
            }
        } elseif ($node->nodeType === XML_TEXT_NODE && trim($node->nodeValue) !== '') {
            // 处理直接在td下的文本节点
            echo "---------------------------------\n";
            echo "直接文本内容: " . trim($node->nodeValue) . "\n";
        }
    }
    echo "---------------------------------\n";
} else {
    echo "未找到td元素。\n";
}
?>