使用 php DOMDocument 从网页中提取文本

Question

我有以下脚本几乎可以正常工作，除了两件事：

• 我还有未知标签，例如<note>、<to> 或<?xml version="1.0" encoding="ISO-8859-1"?>
• 我也有 javascript 脚本，我尝试使用 //text()[not(self::script)] 排除它们，但这会破坏 xpath

脚本：

$contents = file_get_contents("http://www.w3schools.com/php/php_xml_dom.asp");
$dom = new DOMDocument();
@$dom->loadHTML($contents);
$dom->preserveWhiteSpace = false;
$xpath = new DOMXPath($dom);
// see http://www.w3schools.com/xpath/xpath_syntax.asp
$hrefs = $xpath->evaluate("//text()");
for ($i = 0; $i < $hrefs->length; $i++)
  echo $hrefs->item($i)->nodeValue;

您有更好的解决方案来从网页中提取文本吗？

注意：我可以简单地使用strip_tags，但我想坚持使用 DOMDocument。

Answer 1

我一直使用这个http://simplehtmldom.sourceforge.net/ 并且每次都成功。