備忘録
FuelPHP の HTML パーサー「Format」
FuelPHP で HTML をパースする時は、Format というライブラリを使います。使い方は以下です。
$html = \Format::forge($html_body, "xml")->to_array();
$element = $html["path"][2]["html"]["element"];
でも、これでも失敗する場合があります。それは例えば、以下のような 文字列とタグを一緒にしたタグをパースする場合です。
<dblp>
<inproceedings key="conf/aaim/He07" mdate="2007-06-28">
<author>Dan He</author>
<title>
<i>BMA</i>
<sup>*</sup>
: An Efficient Algorithm for the One-to-Some Shortest Path Problem on Road Maps.
</title>
<pages>346-357</pages>
<year>2007</year>
<crossref>conf/aaim/2007</crossref>
<booktitle>AAIM</booktitle>
<ee>http://dx.doi.org/10.1007/978-3-540-72870-2_33</ee>
<url>db/conf/aaim/aaim2007.html#He07</url>
</inproceedings>
</dblp>
Title タグの中に、文字列とタグが一緒になっていますね。
このようなタグなどだと、Format は上手くパースしてくれません。
このような場合はどうするのでしょうか？
Format の代わりに simplexml_load_string を使う
FuelPHP の HTML のパースは、simplexml_load_string というPHP組み込みの関数を使っています（該当コードはここ）。
そして、自分の場合、パースが失敗するのは、この simplexml_load_string を出力する際に上手く結果が表示されないからでした。
なのでここではこの simplexml_load_string を使ってパースして、その結果を dom_import_simplexml という組み込みの関数で取得します。
$body_xml = simplexml_load_string($html_body);
$unseen_xml = dom_import_simplexml($array_body2_xml->path->to-unseen->element);
echo $unseen_xml->textContent;
これで、Format で見えなかった要素も見れるようになれます。
（理想的には、Format::forge の結果から dom_import_simplexml したいのですが、コードだと SimpleXMLELement から array にしているので上手くいきませんでした）
を参考にしました。