Gostaria de propor uma alternativa que visa parafusar com uma chave de fenda e não com um martelo, ou seja, analisar sintaticamente uma estrutura hierárquica com um parser de verdade.
Essa é uma das poucas situações em que a verbosidade excessiva da DOM não dificulta a solução do problema. No entanto, para que esta solução trabalhe de acordo é preciso que HTML esteja semanticamente formulado. Por essa razão estarei assumindo um HTML que contenha as tags <UL>:
<h4>Jogo: Area 51</h4>
<ul>
<li>Região: 2 - </li>
<li>Sistema: 8 - Sony PlayStation</li>
<li>Ano: 2003</li>
<li>Publicadoras: 1190 - Midway, 730 - GT Interactive</li>
<li>Desenvolvedora: 1165 - Mesa Logic</li>
</ul>
A solução:
$dom = new DOMDocument;
$dom -> loadHTML( $html );
$data = array();
foreach( $dom -> getElementsByTagName( 'ul' ) as $node ) {
if( $node -> hasChildNodes() ) {
foreach( $node -> childNodes as $children ) {
$nodeValue = trim( $children -> nodeValue );
if( ! empty( $nodeValue ) ) {
$structure = preg_split(
'/(.*?):\s+(.*?)/', $nodeValue, -1,
PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY
);
$data[ spl_object_hash( $node ) ][ $structure [ 0 ] ] = $structure[ 1 ];
}
}
}
}
Iteramos todos os elementos <UL> através de DOM::getElementsByTagName(). De tudo aquilo que $node disponibiliza trabalharemos apenas com o valor da propriedade DOMNode::nodeValue
Aqui abre-se a primeira possibilidade de gambiarra. Poderíamos explodir as quebras-linhas desse valor e montar os índices do array diretamente. Mas estamos analisando sintaticamente, então, isso é errado e, por isso, precisamos iterar os filhos das listas.
Poderíamos ao invés de obter todas as listas, obter diretamente os filhos (<LI>), mas isso requereria código adicional e, pessoalmente faria menos sentido lógico.
Para evitar erros, notices e cia. vamos verificar se existem nós-filhos, mesmo que estejamos vendo que estes existam. Para isso, usamos DOMNode::hasChildNodes() e, caso existam, trabalharemos com o valor da propriedade DOMNode::childNodes
Desse ponto em diante não estamos mais analisando sintaticamente e sim manipulando o texto dos nós. Vamos quebrar cada string, já limpa com trim(), separando o possível rótulos de seu valor.
Não cabe ao escopo do tópico explicar a ER, mas como pode ver é bem simples.
Ao adicionar no array $data precisamos de uma forma de tornar cada conjunto de informações único. Poderíamos fazer uma gambiarrazinha com um contador manualmente incrementado mas já que estamos com muitos objetos em jogo, optei por spl_object_hash() que retorna uma sequência numérica única para cada objeto em tempo de execução, ou seja, cada vez que atualizar a p´gina, serão outros valores.
Isso é puramente estrutural, quando iterar esse array para inserir no banco basta ignorar o valor da primeira chave. Simples assim!