Question

要获取正文标记中的内容，请使用以下代码。

$html = @file_get_contents($url);
$doc = new DOMDocument();
@$doc->loadHTML($html);
$nodes = $doc->getElementsByTagName('body');
$body = $nodes->item(0)->nodeValue;

如何从$ body中删除js代码？任何看起来像

的js代码

<script> /*Some js code*/ </script>

Answer 1

试试这个：

$html = preg_replace("/<script.*?\/script>/s", "", $html);

在进行正则表达式时，事情可能会出错，所以这样做会更安全：

$html = preg_replace("/<script.*?\/script>/s", "", $html) ? : $html;

因此，当“意外”发生时，我们会得到原始$html而不是空字符串。

Answer 2

如果您已经使用DOMDocument，那么为什么不删除节点？！

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
@$dom->loadHTMLFile("from_link_to.html");
$scripts = $dom->getElementsByTagName('script');
foreach ($scripts as $script) {
    $scripts->removeChild($script);
}
...

仔细查看The DOMDocument class以及regular expression 噩梦的方式来完成此类任务。

Answer 3

解决方案here解决了我的问题。下面的代码从body标签中完全删除了脚本标记及其内容：

$doc = new DOMDocument();
    $doc->preserveWhiteSpace = false;
    @$doc->loadHTML($html);
    $script = $doc->getElementsByTagName('script');

    $remove = [];
    foreach ($script as $item) {
        $remove[] = $item;
    }

    foreach ($remove as $item) {
        $item->parentNode->removeChild($item);
    }

    $node = $doc->getElementsByTagName('body');
    $body = $node->item(0)->nodeValue;

    echo $body;

如何在没有javascript代码的情况下获取正文内容

3 个答案: