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