Pegar conteúdo de uma página externa com LoadHTML/XPath - dúvida

[Maykel-ctba 233]

Boa tarde!

Preciso pegar informações que estão contidas em divs em um HTML.

 

HTML:

<div id="fundo_conteudo_noticia_setor" class="textogeral marrom">
            <div id="data_noticia_setor" class="textogeral_bold verde">Data</div>
            <div id="conteudo_noticia_setor">
                <a href="noticia_interna.asp?id=13692" class="sublinhado verde">
                    <span class="titulo_destaque_bold verde">Título<br>
                        <span class="titulo_destaque verde">Categoria</span>
                    </span>
                    <br><br>
                </a>
                Resumo do conteúdo...
            </div>
            </div>
            <div id="seta_noticia_setor"><i class="fa fa-angle-right fa-3x verde"></i></div>
        </div>

 

E este é o PHP que estou utilizando para pegar as informações. Porém, ao pegar o título da notícia, está trazendo o  $result['titulo'], está retornando junto os elementos filhos.

if(!$data = file_get_contents("meusiteteste.com.br")){
    $results = false;
}
else {

    $html = iconv('UTF-8', 'ISO-8859-1//TRANSLIT', $data);
    $doc = new DomDocument();
    @$doc->loadHTML($html);
    $xpath = new DomXpath($doc);
    $entries = $xpath->query("//div[@id=\"conteudo_noticia_setor\"]");
    $results = array();

    foreach ($entries as $entry){

        $node = $xpath->query("a/attribute::href", $entry);
        $result['link'] = $node->item(0)->value;

        echo $result['link'].'<br>';

        $node = $xpath->query("a/span[contains(@class, 'titulo_destaque_bold')]", $entry);
        $result['titulo'] = $node->item(0)->nodeValue;

        echo $result['titulo'].'<br><br>';

    }
}

Está imprimindo: TituloCategoria

 

Gostaria de tirar o conteúdo do span que consta dentro, porém não sei como proceder. Alguém pode me dar uma força? haha

[Vinicius Rangel 208]

Você precisa adicionar alguma tag no conteúdo.. de preferência um P de paragrafo.

No código abaixo eu pego o primeiro elemento P visível no HTML.
Ai é só você estender para as outras tags necessárias.

$url = 'http://minhaurl.com.br';
$html = file_get_contents_curl($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$title = $doc->getElementsByTagName('p')->item(0)->nodeValue;

 

[gabrieldarezzo 255]

@Maykel-ctba

Conhece esse cara?
http://simplehtmldom.sourceforge.net/

 

A vantagem dele comparado ao DomDocument()  é que funciona mesmo se o HTML está 'quebrado' 

 

Se liga no exemplo da documentação:

<?php

// Create DOM from string
$html = str_get_html('<div id="hello">Hello</div><div id="world">World</div>');

$html->find('div', 1)->class = 'bar';

$html->find('div[id=hello]', 0)->innertext = 'foo';

echo $html; // Output: <div id="hello">foo</div><div id="world" class="bar">World</div>

 

No caso só substituir o str_get_html por:

$html = file_get_html('http://www.google.com/');

(Ou CURL dependendo da complexidade para a requisição)

 

 

[Maykel-ctba 233]

@Vinicius Rangel eu não tenho como manipular o conteúdo de origem. Por isso, não consegui fazer a divisão antes!

 

@gabrieldarezzo Legal essa variação! Porém, mesmo com essas funções, caio no mesmo problema. Preciso pegar o conteúdo de uma div, e limpar todos os elementos filhos dele...

 

No caso de uma estrutura assim:

<div id="texto">
  Texto
  <div id="textoCat">
   TextoCat
  </div>
</div>

Ao pegar o conteúdo de #texto, ele vai concatenar com o de #textoCat. E preciso que me retorne sem os elementos filhos!

[Vinicius Rangel 208]

De qualquer maneira creio que meu exemplo ainda vale...
 

$url = 'http://minhaurl.com.br';
$html = file_get_contents_curl($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$title = $doc->getElementsById('texto')->item(0)->nodeValue;

testa esse código por favor