Question

我使用dom doc从数据库加载html，如下所示：

$doc = new DOMDocument();
@$doc->loadHTML($data);
$doc->encoding = 'utf-8';
$doc->saveHTML();

然后我通过这样做得到正文：

$bodyNodes = $doc->getElementsByTagName("body");
$words = htmlspecialchars($bodyNodes->item(0)->textContent);

我收到的词语包括<body>中的所有内容。 <scripts>之类的内容也包括在内。我如何删除它们并仅保留真实文本内容？

Answer 1

您必须访问所有节点并返回其文本。如果某些节点包含其他节点，也请访问它们。

这可以通过这个基本的递归算法来完成：

extractNode:
    if node is a text node or a cdata node, return its text
    if is an element node or a document node or a document fragment node:
        if it’s a script node, return an empty string
        return a concatenation of the result of calling extractNode on all the child nodes
    for everything else return nothing

实现：

function extractText($node) {    
    if (XML_TEXT_NODE === $node->nodeType || XML_CDATA_SECTION_NODE === $node->nodeType) {
        return $node->nodeValue;
    } else if (XML_ELEMENT_NODE === $node->nodeType || XML_DOCUMENT_NODE === $node->nodeType || XML_DOCUMENT_FRAG_NODE === $node->nodeType) {
        if ('script' === $node->nodeName) return '';

        $text = '';
        foreach($node->childNodes as $childNode) {
            $text .= extractText($childNode);
        }
        return $text;
    }
}

这将返回给定$节点的textContent，忽略脚本标记和注释。

$words = htmlspecialchars(extractText($bodyNodes->item(0)));

在此处试试：http://codepad.org/CS3nMp7U

Answer 2

您可以使用XPath。

借用上面例子中使用的HTML arnaud：

$html = <<< HTML
<p>
    test<span>foo<b>bar</b>
</p>
<script>
    ignored
</script>
<!-- comment is ignored -->
<p>test</p>
HTML;

您只是query不是text nodes和not children of a script tag的所有do not evaluate to an empty string。您还要确保不要preserveWhiteSpace，因此不会考虑用于格式化的空格。

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->loadHtml($html);

$xp    = new DOMXPath($dom);
$nodes = $xp->query('/html/body//text()[
    not(ancestor::script) and
    not(normalize-space(.) = "")
]');

foreach($nodes as $node) {
    var_dump($node->textContent);
}

将输出（demo）

string(10) "
    test"
string(3) "foo"
string(3) "bar"
string(4) "test"

PHP Dom Documents：获取textContent忽略脚本标记和注释

2 个答案: