我正在尝试从网站上抓取一些内容，但下面的代码不起作用(不显示任何输出(。这是代码
$url="some url";
$otherHeaders=""; //here i am using some other headers like content-type,userAgent,etc
some curl to get the webpage
...
..
curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
$content=curl_exec($ch);curl_close($ch);
$page=new DOMDocument();
$xpath=new DOMXPath($page);
$content=getXHTML($content); //this is a tidy function to convert bad html to xhtml
$page->loadHTML($content); // its okay till here when i echo $page->saveHTML the page is displayed
$path1="//body/table[4]/tbody/tr[3]/td[4]";
$path2="//body/table[4]/tbody/tr[1]/td[4]";
$item1=$xpath->query($path1);
$item2=$xpath->query($path2);
echo $item1->length; //this shows zero
echo $item2->length; //this shows zero
foreach($item1 as $t)
echo $t->nodeValue; //doesnt show anything
foreach($item2 as $p)
echo $p->nodeValue; //doesnt show anything
我确定上面的xpath代码有问题。 xpaths是正确的。我已经用FirePath (a firefox addon)检查了上述xpaths.我知道我在这里错过了一些非常愚蠢的东西，但我无法辨认。请帮忙。我已经检查了类似的代码以从Wikipedia中抓取链接(肯定xpaths不同(，并且效果很好。所以我不明白为什么上面的代码不适用于其他URLs.我正在用Tidy清理HTML内容，所以我没有xpath没有HTML的问题，对吗？我已经检查了$item1=$xpath->query($path1)后nodelist的长度，这是0这意味着$xpath->query出了问题，因为我已经检查了xpaths是正确的FirePath我已经按照指出修改了我的代码，并使用了loadXML而不是loadHTML。但这给了我错误Entity 'nbsp' not defined in Entity所以我使用 libxml 选项LIBXML_NOENT来替换实体，但错误仍然存在。
是的，你缺少一些非常基本的东西：它是XHTML，所以你必须注册(并使用！(正确的命名空间，然后才能期望得到结果。
$xpath->registerNamespace('x', 'http://www.w3.org/1999/xhtml');
$path1="//x:body/x:table[4]/x:tbody/x:tr[3]/x:td[4]";
$path2="//x:body/x:table[4]/x:tbody/x:tr[1]/x:td[4]";
$item1=$xpath->query($path1);
$item2=$xpath->query($path2);
似乎这个问题与 XPath 和命名空间有关。PHP手册揭示了一个有趣的用户评论
如果已注册命名空间， 将您的 XHTML 等加载到您的 XPath 的 DOMDocument 对象和 仍然无法让它工作， 检查以确保您没有使用 DOMDocument's loadHTML(( 或 loadHTMLFile(( 函数。对于 XHTML 始终使用 XML 版本， 否则你的XPath永远不会，永远不会 工作。
您的代码使用loadHTML()
$content=getXHTML($content); //this is a tidy function to convert bad html to xhtml
$page->loadHTML($content); // its okay till here when i echo $page->saveHTML the page is displayed
HTML 不是命名空间感知的，因此loadHTML()可能不会在文档对象的元素上设置命名空间，即使原始文档(或 Tidy 输出的 XHTML(具有命名空间。
因为您使用 Tidy 将文档转换为 XHTML，所以我想您可以安全地使用 loadXML()而不会遇到解析错误。请注意，它要求输入是格式正确的 XML。此外，它可能不知道 HTML 预定义的实体(如 (，如果是这种情况，它无法将实体替换为正确的字符值。如果出现此类问题，请尝试为 loadXML() 设置不同的选项。
我听说FireFox会添加一个tbody元素，如果不存在的话。
除了 @Tomalak 的建议之外或独立于 的建议，请尝试删除/tbody位置步骤的 XPath 表达式。
可视化工具来构造正确的 XPath 表达式，并立即查看它们正在选择的内容。
这个问题提醒我，很多时候问题的解决方案在于简单而不是复杂。 我正在尝试namespaces，error corrections等，但解决方案只是要求仔细检查代码。我的代码问题是loadHTML()和xpath initialization的顺序。最初订单是
$xpath=new DOMXPath($page);
$page->loadHTML($content);
通过这样做，我实际上是在一个空文档上初始化xapth。 现在通过首先使用 html 加载dom然后初始化xpath来反转顺序，我能够获得所需的结果。还建议通过从xpath中删除tbody元素，firefox自动插入它。所以正确的xpath应该是
$path1="//body/table[4]/tr[3]/td[4]";
$path2="//body/table[4]/tr[1]/td[4]";
感谢大家的建议和承担这一点。
(尝试将以下内容与其他答案结合使用或分开，因为它们是其他可能的警告。
如果您的 XPath 不起作用，请尝试仅应用其中的一部分，以确保您确实遵循了正确的路径。所以做这样的事情：
$path1="//body";
$item1 = $xpath->query($path1);
foreach ($item1 as $t) {
// to see the full XML of the returned node, as the nodeValue may be empty
echo $t->ownerDocument->saveXML($t);
}
然后继续将你的 XPath 增加到你想要的位置。
此外，如果您发现节点的 nodeValue 和 textContent 为空，则应确保使用正确的编码加载到 DOMDocument 中(例如，如果 cURL 响应返回 UTF-8，则需要在构造 DOMDOcument 时传递"UTF-8"作为第二个参数(。