PHP DOM - 解析包含特定 HTML 标签的文本节点

Question

我最近在解析 HTML 文档中的所有文本节点时收到了帮助。结果代码是这样的：

$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] => ...
)

不过，我实际上想做的是检索所有文本节点但允许“查看”某些 HTML 标记。例如，我不希望 <i>、<b> 和 <u> 标签被解析为单个节点；我宁愿他们加入到前一个文本节点上。理想情况下，上述数组应如下所示：

Array
(
  [0] => This is a nested HTML tag...
)

另一方面，<p> 标签应该被识别为单独的节点。所以下面的文字：

<p>paragraph 1 <b>here</b></p> <p>paragraph 2</b>

理想情况下会被解析为：

Array
(
  [0] => paragraph 1 <b>here</b>
  [1] => paragraph 2

我已经阅读了一些关于 XPath 和 PHP DOM 的文章，但老实说，我真的不知道如何去做。谁能指出我正确的方向？谢谢。

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，然后可以在翻译文件中使用它。因此，某些 HTML 标记（<b> 等）在解析后的文本中是可取的，以便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。

Answer 1

考虑在“查看过的标签”上使用strip_tags，并在您想要实际分割的标签上使用允许标签的第二个参数。

Answer 2

如果你有一个节点并且想要将它标准化为纯文本：

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 将为您提供一个纯文本段落数组，其中所有元素都已删除。您可以使用getElementsByTagName() 对DOM 执行相同的操作，并为每个结果获取textContent 属性。

如果您有比这更复杂的需求，您最好使用带有身份转换的 XSL 来生成更符合您喜好的新 DOM 树。例如，如果你有一些你想要的顶级节点（比如<p>），并且想要去除一些但不是全部的子节点（例如，“保留em和strong，但折叠cite向上），那么 DOM 解决方案将是相当乏味的。