我最近得到了解析HTML文档中所有文本节点的帮助。结果代码如下:
$doc = new DOMDocument();
$doc->loadHTML($contents);
$doc->loadHTML("<p>not in the brackets..</p>");
$xpath = new DOMXPath($doc);
$textnodes = $xpath->evaluate('//text()');
使用以下摘录:
<p>This is a <b>nested <i>HTML</i> tag<b>...</p>
我可以创建一个元素数组:
Array
(
[0] => This is a
[1] => nested
[2] => HTML
[3] => tag
[4] => ...
)
我实际上想做的是检索所有文本节点，但允许某些HTML标记被"查看"。例如，我不希望<i>, <b>和<u>标记被解析为单独的节点;我宁愿将它们连接到前一个文本节点。理想情况下，上面的数组应该是这样的:
Array
(
[0] => This is a nested HTML tag...
)
<p>标签应被识别为单独的节点。所以下面的文本:
<p>paragraph 1 <b>here</b></p> <p>paragraph 2</b>
最好解析为:
Array
(
[0] => paragraph 1 <b>here</b>
[1] => paragraph 2
我已经阅读了一些关于XPath和PHP DOM的书籍，但老实说，我真的不知道如何去做。有人能给我指个正确的方向吗?谢谢你。
编辑
只是为了澄清输出必须是数组格式;我的目标是解析页面中的所有文本，以便在翻译文件中使用。因此，为了在新的翻译文件中保持完整的句子在一起，并保持标记大致完整，在解析的文本中需要某些HTML标记(<b>等)。
考虑在'已查看标记'上使用strip_tags，并在您想要实际分割的标记上使用第二个允许标记参数
如果您有一个节点，并希望将其规范化为纯文本:
XPATH: 'string(thenode)'
DOM: $thenode->textContent;
这将忽略所有不是文本节点的子节点，并将其作为单个字符串返回。
因此，在您的示例中，像string(//p)这样的xpath将为您提供一个删除了所有元素的纯文本段落数组。您可以对DOM做同样的事情，使用getElementsByTagName()并为每个结果获取textContent属性。
如果您有比这更复杂的需求，那么最好使用带有标识转换的XSL来生成更符合您喜好的新DOM树。例如，如果您有一些想要的顶级节点(如<p>)，并且希望剥离一些但不是所有的子节点(例如，"保留em和strong，但向上折叠cite)，那么DOM解决方案将非常繁琐。