Question

我想使用simple_html_dom.php从HTML文档中删除空段落。我知道如何使用DOMDocument类来实现它，但是，因为我使用的HTML文件是在MS Word中编写的，所以DOMDocument的loadHTMLFile（）函数给出了这个异常“命名空间未定义”。

这是我使用DOMDocument对象的代码，用于未在MS Word中准备的HTML文件：

<?php
/* Using the DOMDocument class */

/* Create a new DOMDocument object. */
$html = new DOMDocument("1.0", "UTF-8");

/* Load HTML code from an HTML file into the DOMDocument. */
$html->loadHTMLFile("HTML File With Empty Paragraphs.html");

/* Assign all the <p> elements into the $pars DOMNodeList object. */
$pars = $html->getElementsByTagName("p");

echo "The initial number of paragraphs is " . $pars->length . ".<br />";

/* The trim() function is used to remove leading and trailing spaces as well as
* newline characters. */
for ($i = 0; $i < $pars->length; $i++){
    if (trim($pars->item($i)->textContent) == ""){
        $pars->item($i)->parentNode->removeChild($pars->item($i));
        $i--;
    }
}

echo "The final number of paragraphs is " . $pars->length . ".<br />";

// Write the HTML code back into an HTML file.
$html->saveHTMLFile("HTML File WithOut Empty Paragraphs.html");
?>

这是我使用simple_html_dom.php模块为MS Word编写的HTML文件的代码：

<?php
/* Using simple_html_dom.php */

include("simple_html_dom.php");

$html = file_get_html("HTML File With Empty Paragraphs.html");

$pars = $html->find("p");

for ($i = 0; $i < count($pars); $i++) {
    if (trim($pars[$i]->plaintext) == "") {
        unset($pars[$i]);
        $i--;
    }
}

$html->save("HTML File without Empty Paragraphs.html");
?>

它几乎相同，只是在使用DOMDocument时使用$ pars变量是一个DOMNodeList，而在使用simple_html_dom.php时是一个数组。但是这段代码不起作用。首先它运行两分钟然后报告这些错误：“Undefined offset：1”和“试图获得nonobject的属性”这一行：“if（trim（$ pars [$ i] - ＆gt; plaintext）==” “）{”。

有谁知道如何解决这个问题？

谢谢。

我也在php devnetwork询问。

Answer 1

查看Simple HTML DOM Parser的文档，我认为这应该可以解决问题：

include('simple_html_dom.php');

$html = file_get_html('HTML File With Empty Paragraphs.html');
$pars = $html->find('p');

foreach($pars as $par)
{
    if(trim($par->plaintext) == '')
    {
        // Remove an element, set it's outertext as an empty string 
        $par->outertext = '';
    }
}

$html->save('HTML File without Empty Paragraphs.html');

我做了一个快速测试，这对我有用：

include('simple_html_dom.php');

$html = str_get_html('<html><body><h1>Test</h1><p></p><p>Test</p></body></html>');
$pars = $html->find("p");

foreach($pars as $par)
{
    if(trim($par->plaintext) == '')
    {
        $par->outertext = '';
    }
}

echo $html;
// Output: <html><body><h1>Test</h1><p>Test</p></body></html>

Answer 2

空段落看起来像 [spaces or newlines] （不区分大小写）。您可以使用preg_replace（或str_replace）删除空段落。

以下内容仅在空段落为时才有效：

$oldHtml = file_get_contents('File With Empty Paragraphs.html');
$newHtml = str_replace('<p></p>', '', $oldHtml);
// and write the new HTML to the file
$fh = fopen('File Without Empty Paragraphs.html', 'w');
fwrite($fh, $newHtml);
fclose($fh);

这也适用于具有属性的段落，例如 ：

$oldHtml = file_get_contents('File With Empty Paragraphs.html');
$newHtml = preg_replace('#<p[^>]*>\s*</p>#i', '', $oldHtml);
// and write the new HTML to the file
$fh = fopen('File Without Empty Paragraphs.html', 'w');
fwrite($fh, $newHtml);
fclose($fh);

如何使用simple_html_dom.php从HTML文件中删除空段落？

2 个答案: