Question

我正在尝试用html标签解析文本块，但是我遇到了一些问题。

<?php
    libxml_use_internal_errors(true);
    $html = '
<html>
<body>
    <div>
        Message <b>bold</b>, <s>strike</s>
    </div>
    <div>
        <span class="how">
            <a href="link" title="text">Link</a>, <b> BOLD </b>
        </span>
    </div>
</body>
</html>
    ';

    $dom = new DOMDocument();
    $dom->preserveWhiteSpace = false;
    $dom->strictErrorChecking = false;
    $dom->recover = true;
    $dom->loadHTML($html);        

    function getMessages($element, $xpath)
    {
        $messages = array();

        $children = $element->childNodes;        

        foreach ($children as $child) 
        { 

            if(strtolower($child->nodeName) == 'div')
            {
                // my functions
            }
            else
            if ($child->nodeType == XML_TEXT_NODE)
            {
                $text = trim(DOMinnerHTML($element));
                if($text)
                {
                    $messages[] = array('type' => 'text', 'text' => $text);
                }
            }
        }

        return $messages;
    }

    function DOMinnerHTML($element) 
    {
        $innerHTML = null; 
        $children = $element->childNodes;

        foreach ($children as $child) 
        {
            $tmp_dom = new DOMDocument(); 
            $tmp_dom->appendChild($tmp_dom->importNode($child, true)); 
            $innerHTML .= trim($tmp_dom->saveHTML()); 
        } 
        return $innerHTML; 
    } 

    $xpath = new DOMXPath($dom);
    $messagesXpath = $xpath->query("//div");

    $messages = array();
    $i = 0;
    foreach($messagesXpath as $message)
    {
        $messages[] = getMessages($message, $xpath);
        $i++;
        if ($i == 2)
        break;
    }

    var_dump($messages);

此代码返回以下数组：

array(2) {
  [0]=>
  array(3) {
    [0]=>
    array(2) {
      ["type"]=>
      string(4) "text"
      ["text"]=>
      string(32) "Message<b>bold</b>,<s>strike</s>"
    }
    [1]=>
    array(2) {
      ["type"]=>
      string(4) "text"
      ["text"]=>
      string(32) "Message<b>bold</b>,<s>strike</s>"
    }
    [2]=>
    array(2) {
      ["type"]=>
      string(4) "text"
      ["text"]=>
      string(32) "Message<b>bold</b>,<s>strike</s>"
    }
  }
  [1]=>
  array(2) {
    [0]=>
    array(2) {
      ["type"]=>
      string(4) "text"
      ["text"]=>
      string(100) "<span class="how">
            <a href="link" title="text">Link</a>, <b> BOLD </b>

        </span>"
    }
    [1]=>
    array(2) {
      ["type"]=>
      string(4) "text"
      ["text"]=>
      string(100) "<span class="how">
            <a href="link" title="text">Link</a>, <b> BOLD </b>
        </span>"
    }
  }
}

我想要带有html标签的$ messages ['text']（没关系），但由于某种原因，数组重复!!!!

我认为这个问题存在于

中

if ($child->nodeType == XML_TEXT_NODE)
{
    $text = trim(DOMinnerHTML($element));
    if($text)
    {
          $messages[] = array('type' => 'text', 'text' => $text);
    }
}

Answer 1

我认为您误解了哪些元素是迭代的，因为您选择了所有<div>，然后将每个元素传递给getMessages。但是，在getMessages内，您会迭代每个XML_TEXT_NODE 的<div>个子节点，这是双重复制的来源。

我们来看看HTML：

<div> Message <b>bold</b>, <s>strike</s> </div>

DOM元素和文本节点在逻辑上是不同的，并且具有不同类型的 - XML_ELEMENT_NODE和XML_TEXT_NODE（见here对于完整列表），因此，<div>实际上包含5个孩子（TEXT，元素，TEXT，ELEMENT ，TEXT）。您确定有问题的if条件是正确的，但只需将类型更改为* XML_ELEMENT_NODE *并不能完全解决问题。仍有多个childNode，其中每个<div>的类型为XML_ELEMENT_NODE。

为了完全解决问题，我更改了传递给getMessages函数的元素，以便函数可以在正确的级别迭代并消除重复。我还通过重命名一些变量来删除一些复杂性提高的可读性。

这是我的完整解决方案：

<?php libxml_use_internal_errors(true); $html = <<<HTML <html> <body> <div> Message <b>bold</b>, <s>strike</s> </div> <div> <span class="how"> <a href="link" title="text">Link</a>, <b> BOLD </b> </span> </div> </body> </html> HTML; $dom = new DOMDocument(); $dom->preserveWhiteSpace = false; $dom->strictErrorChecking = false; $dom->recover = true; $dom->loadHTML($html); function getMessages($allDivs) { $messages = array(); foreach ($allDivs as $div) { if ($div->nodeType == XML_ELEMENT_NODE) { $messages[] = trim(DOMinnerHTML($div)); } } return $messages; } function DOMinnerHTML($element) { $innerHTML = null; $children = $element->childNodes; foreach ($children as $child) { $tmp_dom = new DOMDocument(); $tmp_dom->appendChild($tmp_dom->importNode($child, true)); $innerHTML .= trim($tmp_dom->saveHTML()); } return $innerHTML; } $xpath = new DOMXPath($dom); $messagesXpath = $xpath->query("//div"); $messages[] = getMessages($messagesXpath); print_r($messages); ?>

PHP DOMXPath问题

1 个答案: