我试图用html标记解析文本块,但遇到了一些问题。
<?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($messages);
此代码返回以下数组:
array(2) {
[0]=>
array(3) {
[0]=>
array(2) {
["type"]=>
string(4) "text"
["text"]=>
string(32) "Message<b>bold</b>,<s>strike</s>"
}
[1]=>
array(2) {
["type"]=>
string(4) "text"
["text"]=>
string(32) "Message<b>bold</b>,<s>strike</s>"
}
[2]=>
array(2) {
["type"]=>
string(4) "text"
["text"]=>
string(32) "Message<b>bold</b>,<s>strike</s>"
}
}
[1]=>
array(2) {
[0]=>
array(2) {
["type"]=>
string(4) "text"
["text"]=>
string(100) "<span class="how">
<a href="link" title="text">Link</a>, <b> BOLD </b>
</span>"
}
[1]=>
array(2) {
["type"]=>
string(4) "text"
["text"]=>
string(100) "<span class="how">
<a href="link" title="text">Link</a>, <b> BOLD </b>
</span>"
}
}
}
我想让$messages['text']带有html标记(没关系),但由于某种原因,数组重复了!!!!
我认为这是这个区块的问题
if ($child->nodeType == XML_TEXT_NODE)
{
$text = trim(DOMinnerHTML($element));
if($text)
{
$messages[] = array('type' => 'text', 'text' => $text);
}
}
我认为您误解了哪些元素是存在迭代的,因为您选择了所有的<div>
,然后将每个元素传递给getMessages
。但是,在getMessages
中,然后在每个<div>
的XML_TEXT_NODE
子节点上迭代,这就是重复的来源。
让我们看看HTML:
<div>
Message <b>bold</b>, <s>strike</s>
</div>
DOM元素和文本节点在逻辑上不同,并且具有不同的类型——XML_ELEMENT_NODE和XML_text_NODE(完整列表请参见此处),因此<div>
实际上包含5个子级(text、ELEMENT、text、ELEMENT、text)。您正确地识别了有问题的if
条件,但是简单地将类型更改为*XML_ELEMENT_NODE*并不能完全解决问题。仍然存在多个子节点,其中每个<div>
的类型为XML_ELEMENT_NODE。
为了完全解决这个问题,我更改了传递给getMessages
函数的元素,这样函数就可以在正确的级别上迭代并消除重复。我还删除了一些复杂性,通过重命名一些变量来提高可读性。
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);
?>