DOMCrawler纯文本

Question

我正在使用Symfony的DomCrawler从网站上获取信息 在其中一个页面中有一个文本，包括非html编码的属性，如下所示：

<a href="some-url.html">Lorem ipsum <<dolor sit>> amet </a>

当我尝试使用filterXPath方法从a标签抓取文本时，我得到Lorem ipsum <，因为我认为它的行为符合像破坏的html标记这样的符号而只是忽略它们。

此外，当我尝试使用$node->filterXPath('my-xpath/a')->html()时，我也会像以下示例一样破解html：

<a href="some-url.html">Lorem ipsum &gt;</a>

所以，我的问题是，是否有任何方法可以从节点中获取“普通”文本？

Answer 1

我认为您正在寻找的内容可以通过以下方式实现：

$node->filterXPath('my-xpath/a')->text();

您可以在Symfony DOM Crawler documentation site找到文档。

Answer 2

在GitHub上讨论这个问题之后，似乎没有“修复”我的问题的解决方案。唯一的解决方法是修复损坏的html。

Answer 3

  

所以，我的问题是，是否有任何方法可以从节点中获取“普通”文本？

是的，但您需要先修复HTML。顺便说一句，您不需要手动执行此操作，HTML tidy extension会自动完美地处理您的案例。

在抓取HTML之前，只需整理。