PHP Dom Documents：获取文本内容忽略脚本标签和注释

Question

我使用 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();

然后我通过执行以下操作获取正文文本：

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

我得到的单词包含 中的所有内容。还包括诸如 之类的内容。 我如何删除它们并只保留真实的文本内容？

Answer 1

您可以使用 XPath 来实现此目的。

借用 arnaud 在上面的示例中使用的 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 所有文本节点 不是 不是脚本标签的子标签 和 不计算为空字符串。您还要确保不 preserveWhiteSpace 因此不考虑用于格式化的空格。

$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（演示）

string(10) "
    test"
string(3) "foo"
string(3) "bar"
string(4) "test"

Answer 2

您必须访问所有节点并返回它们的文本。如果其中包含其他节点，也访问它们。

这可以通过以下基本递归算法来完成：

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，忽略脚本标签和注释。

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

在这里尝试一下：http://codepad.org/CS3nMp7U