在PHP中删除未包含在html标记中的内容/文本

Question

我正在构建一个html scraper，它成功地解析了一个url，并根据需要返回了p，img和一个标签给var $ content。

但是，某些URL最终会在html中放置错误的javascript，因此我的$ content var包含：

<p>This is Paragraph 1</p>
<p>This is Paragraph 2</p>
<img src="/Path/To/Img">
";document.getElementById('Rogue Broken Javascript Text.14155741')
<p>This is Paragraph 3</p>

如何删除HTML标记中包含的 不 的所有内容？ （即。strip_tags()的反面）所以我最终得到：

<p>This is Paragraph 1</p>
<p>This is Paragraph 2</p>
<img src="/Path/To/Img">
<p>This is Paragraph 3</p>

Answer 1

解析方法不仅仅是一个错误吗？我只想搜索<p>，</p>，<a>和</a>标记，在它们之间抓取所有内容。然后，对于img标记，您只需抓取<img和下一个>之间的内容。

如果你上面的例子是实际输出，那么我会说你的<img>解析中有一个错误，它没有停在>。

当然，您还必须考虑写得不好的HTML。你如何处理它将取决于获取每个细节的重要性，或者你是否可以跳过错误的代码。