Атрибут запроса DOMXPath, содержащий символ Unicode

Можно ли получить доступ к элементу, содержащему имя класса Unicode?

На самом деле я захожу на этот сайт, но их имя класса начинается с символа Юникода U+1F41D HONEYBEE ????

$html = file_get_contents('https://www.honestbee.my/en/groceries/stores/bens-independent-grocer/products/720365');
$doc = new \DOMDocument();
$doc->loadHTML($html);

$xpath = new \DOMXpath($doc);

$elements = $xpath->query("//[@class='????ap0']");
if (!is_null($elements)) {
    foreach ($elements as $element) {
        echo "<br/>[". $element->nodeName. "]";

        $nodes = $element->childNodes;
        foreach ($nodes as $node) {
            echo $node->nodeValue. "\n";
        }
    }
}

К сожалению выдает ошибку

ErrorException  : DOMXPath::query(): Invalid expression                                                                                                     
 at /paht/to/test-dom.php:83                                                                        
   79|         $doc->loadHTML($html);                                       
   80|                                                                      
   81|         $xpath = new \DOMXpath($doc);                                
   82|                                                                      
 > 83|         $elements = $xpath->query("//[@class='????ap0']");             
   84|         if (!is_null($elements)) {                                   
   85|             foreach ($elements as $element) {                        
   86|                 echo "<br/>[". $element->nodeName. "]";              
   87|                                                                      

Exception trace:

1   DOMXPath::query("//[@class='????ap0']")                                  
    /paht/to/test-dom.php:83

Я имел в виду код эмодзи здесь, пробовал также с \uD83Dap0 не работает


php html unicode xpath domxpath
person Js Lim    schedule 11.04.2019    source источник
comment
Вы пробовали "//[@class='&#x1F41D;ap0']"? Не уверен, где вы взяли D83D, это другой персонаж.   -  person miken32    schedule 11.04.2019
comment
Пробовал несколько разных вещей, ничего не работает. Ближайшее, что у меня было, было $elements = $xpath->query("//*[@class[contains(., 'ap0')]]");   -  person miken32    schedule 11.04.2019
comment
@miken32 Спасибо. Но contains не может убедиться, что нацеливается на правильный элемент   -  person Js Lim    schedule 11.04.2019

Ответы (3)


arrow_upward
3
arrow_downward

Ну, я прошелся по кроличьей норе кодировок символов и еще много чего, прежде чем попробовать $doc->saveHTML() и заметил, что все символы Unicode были повреждены. Я предполагаю, что DOMDocument::loadHTML обрабатывает все как ISO-8859-1, которая была кодировкой по умолчанию для HTML 4. Таким образом, добавив пролог XML, мы можем обмануть его, чтобы он анализировался как UTF-8. Это позволяет вам искать по имени класса, независимо от того, какие символы он использует:

<?php
$html = file_get_contents('https://www.honestbee.my/en/groceries/stores/bens-independent-grocer/products/720365');
$prologue = '<?xml encoding="UTF-8">';
$doc = new \DOMDocument();
$doc->loadHTML($prologue . $html);
$xpath = new \DOMXpath($doc);
$elements = $xpath->query("//div[@class='????ap0']");
foreach ($elements as $element) {
    echo "<br/>[". $element->nodeName. "]";
    $nodes = $element->childNodes;
    foreach ($nodes as $node) {
        echo $node->nodeValue. " \n";
    }
}

Также стоит отметить, что ваша ошибка «недопустимое выражение» возникла не из-за пчелы, а из-за того, что в вашем запросе не было имени элемента. В своем ответе я использовал div, если вы хотите найти все элементы, которые вы можете использовать *.

person miken32    schedule 12.04.2019
comment
Вы спасли меня этим ответом! - person Benjamin; 13.05.2020
comment
У меня возникла проблема с кодировкой при чтении текста Unicode из HTML. Ваш ответ был полезен! Спасибо! - person Khaled; 01.07.2021

arrow_upward
0
arrow_downward

На самом деле я использую Rct567/DomQuery. Автор уже исправил проблему.

Для тех, кто сталкивается с той же проблемой, я рекомендую использовать этот пакет.

person Js Lim    schedule 16.04.2019

arrow_upward
0
arrow_downward

Одним из способов обхода является замена определенного известного атрибута символа Юникода строкой ASCII. Делайте это на лету, непосредственно перед выполнением запроса XPATH.

Пример: $html = preg_replace(/????ap0/u, 'Beeap0123456', $html);

Кроме того, функция str_replace должна иметь возможность заменить массив имен атрибутов Unicode сопоставленным массивом имен атрибутов ASCII.

Тогда выражение запроса XPATH будет прямым ASCII-выражением: '//*[@class=Beeap0123456]'

(Добавление уникальной строки к замещающей строке ASCII может снизить вероятность путаницы, если документ содержит другие подобные атрибуты.)

person saeng    schedule 28.06.2020