如何提取html注释和节点包含的所有html？

Question

我正在创建一个小型网络应用程序来帮助我管理和分析网站内容，而 cURL 是我最喜欢的新玩具。我已经弄清楚如何提取有关各种元素的信息，如何查找具有特定类的所有元素等，但我遇到了两个问题（见下文）。我希望有一些漂亮的 xpath 答案，但如果我必须诉诸正则表达式，我想那也可以。虽然我不太擅长正则表达式，所以如果您认为这是可行的方法，我会很欣赏示例...

非常标准的起点：

$ch = curl_init();
    curl_setopt($ch, CURLOPT_USERAGENT, $userAgent);
    curl_setopt($ch, CURLOPT_URL,$target_url);
    curl_setopt($ch, CURLOPT_FAILONERROR, true);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
    curl_setopt($ch, CURLOPT_AUTOREFERER, true);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER,true);
    curl_setopt($ch, CURLOPT_TIMEOUT, 10);

    $html = curl_exec($ch);
    if (!$html) {
        $info .= "<br />cURL error number:" .curl_errno($ch);
        $info .= "<br />cURL error:" . curl_error($ch);
        return $info;
    }

    $dom = new DOMDocument();
    @$dom->loadHTML($html);

    $xpath = new DOMXPath($dom);

和信息提取，例如：

// iframes
    $iframes = $xpath->evaluate("/html/body//iframe");
    $info .= '<h3>iframes ('.$iframes->length.'):</h3>';
    for ($i = 0; $i < $iframes->length; $i++) {
        // get iframe attributes
        $iframe = $iframes->item($i);
        $framesrc = $iframe->getAttribute("src");
        $framewidth = $iframe->getAttribute("width");
        $frameheight = $iframe->getAttribute("height");
        $framealt = $iframe->getAttribute("alt");
        $frameclass = $iframe->getAttribute("class");
        $info .= $framesrc.'&nbsp;('.$framewidth.'x'.$frameheight.'; class="'.$frameclass.'")'.'<br />';
    }

问题/问题：

1. 如何提取HTML 注释？

   我不知道如何识别注释 - 它们被视为节点，还是完全是其他东西？

2. 如何获取div的全部内容，包括子节点？因此，如果 div 包含一个图像和几个 href，它会找到这些内容并将其作为 HTML 块全部返回给我。

Answer 1

注释节点应该很容易在 XPath 中通过 comment() 测试找到，类似于 text() 测试：

$comments = $xpath->query('//comment()'); // or another path, as you prefer

它们是标准节点：这里是 DOMComment 类的手动条目。

---

对于你的另一个问题，这有点棘手。最简单的方法是使用 saveXML() 及其可选的 $node 参数：

$html = $dom->saveXML($el);  // $el should be the element you want to get 
                             // the HTML for

Answer 2

对于 HTML 注释，一个快速方法是：

 function getComments ($html) {

     $rcomments = array();
     $comments = array();

     if (preg_match_all('#<\!--(.*?)-->#is', $html, $rcomments)) {

         foreach ($rcomments as $c) {
             $comments[] = $c[1];
         }

         return $comments;

     } else {
         // No comments matchs
         return null;
     }

 }

Answer 3

那个正则表达式
\s*
对你有帮助。

在正则表达式测试中

Answer 4

对于您正在寻找递归正则表达式的评论。例如，要删除 html 注释：

preg_replace('/<!--(?(?=<!--)(?R)|.)*?-->/s',$yourHTML);

找到它们：

preg_match_all('/(<!--(?(?=<!--)(?R)|.)*?-->)/s',$yourHTML,$comments);