PHP Dom文档:获取忽略脚本标签和注释的textContent - PHP Dom Documents: getting textContent ignoring script tags and comments

PHP Dom Documents: getting textContent ignoring script tags and comments

它使用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();

然后我通过以下操作获得正文:

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

我得到的单词包括<body>中的所有内容。像<scripts>这样的东西也包括在内。我如何删除它们，只保留真正的文本内容?

可以使用XPath。

借用arnaud在上面的例子中使用的HTML:

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

您只需查询不是脚本标记的子节点的所有文本节点，并且不计算为空字符串。你也要确保你没有设置preserveWhiteSpace，这样用于格式化的空白就不会被考虑。

$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"

您必须访问所有节点并返回它们的文本。如果有些包含其他节点，也访问它们。

这可以用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$node的textContent，忽略脚本标记和注释。

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

试试:http://codepad.org/CS3nMp7U