当后代元素与祖先同名时，剥离特定元素内的所有元素

Question

我正在使用 PHP，我想去掉特定标签内的所有标签，只保留纯文本。我坚持的问题是有一些子标签与父母标签具有相同的名称：

<corpo>
    <num>1.</num>
    <mod id="mod167">
        String 1
        <commas id="mod167-vir1" type="word">String 2</commas>
        <com id="mod166-vir1-20090024-art13-com16.1"><num>&lt;&lt;16.</num></com>
        <rif xlink:href="urn" xlink:type="simple">String 3</rif><h:p>Something here</h:p>
        <corpo>String 4</corpo>
   </mod>
</corpo>

这里，例如，corpo 有一个同名的子标签 (<corpo>String 4</corpo>)，并且在父标签 corpo 内使用了两次 num 标签（<num>1.</num> 和 <num><<16.</num>） .

从最高的corpo 标签开始，我想去掉每个子标签，只保留纯文本。结果应该是：

<corpo>
    String 1 String 2 &lt;&lt;16. String 3 Something here String 4
</corpo>

到目前为止，我通过添加我想要保留的所有标签来尝试使用 SimpleXML 和 PHP strip_tags，但当然它并没有给出我期望的结果。

$result = strip_tags($xml, "<corpo></corpo>";

Answer 1

这与@ThW 所写的内容非常相关，只是更侧重于 SimpleXML。我还在 xpath 上显示了一些不同的角度来选择 corpo 元素。

给定一个文档与您的问题中的字符串 $buffer 相同或具有更多祖先，这里是一个 XML 示例：

$xml = simplexml_load_string($buffer);

foreach ($xml->xpath('//corpo[not(ancestor::corpo)]') as $corpo) {
    $corpo[0] = dom_import_simplexml($corpo)->textContent;
}

$xml->asXML('php://output');

一个示例性的输出是：

<a xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:h="ns:h">
    <b>
        <corpo>
            1.

                String 1
                String 2

                    &lt;&lt;16.

                String 3
                Something here
                String 4

        </corpo>
    </b>
</a>

它的工作原理如下：

获取没有同名祖先的每个 corpo 元素。这是由 xpath 完成的：

//corpo[not(ancestor::corpo)]

那么由于这是一个 SimpleXMLElement 并且您想要文本内容，因此可以通过 $corpo 关联的 DOMElement 节点访问它：

dom_import_simplexml($corpo)->textContent;

剩下的表达式

$corpo[0] = ...

只是告诉更新那个 SimpleXMLElement 的内容（所谓的自引用）。

顺便说一句，您可以在这里使用strip_tags($corpo->asXML()) 而不是dom_import_simplexml($corpo)->textContent，但我不建议这样做，因为我不知道strip_tags 到底有多稳定。它至少不符合 XML 标准。

现在您可能还想应用一些空白规范化，因为 preg_replace 与 UTF-8 标志很方便，UTF-8 标志是 SimpleXMLElement 和 DOMElement 使用的字符串编码强>：

foreach ($xml->xpath('//corpo[not(ancestor::corpo)]') as $corpo) {
    $text     = dom_import_simplexml($corpo)->textContent;
    $corpo[0] = preg_replace('~\s+~u', ' ', $text);
}

此变体为您提供：

<?xml version="1.0"?>
<a xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:h="ns:h">
    <b>
        <corpo> 1. String 1 String 2 &lt;&lt;16. String 3 Something here String 4 </corpo>
    </b>
</a>

完整示例一览Demo:

<?php

$buffer = <<<XML
<a xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:h="ns:h">
    <b>
        <corpo>
            <num>1.</num>
            <mod id="mod167">
                String 1
                <commas id="mod167-vir1" type="word">String 2</commas>
                <com id="mod166-vir1-20090024-art13-com16.1">
                    <num>&lt;&lt;16.</num>
                </com>
                <rif xlink:href="urn" xlink:type="simple">String 3</rif>
                <h:p>Something here</h:p>
                <corpo>String 4</corpo>
            </mod>
        </corpo>
    </b>
</a>
XML;


$xml = simplexml_load_string($buffer);

foreach ($xml->xpath('//corpo[not(ancestor::corpo)]') as $corpo) {
    $text     = dom_import_simplexml($corpo)->textContent;
    $corpo[0] = preg_replace('~\s+~u', ' ', $text);
}

$xml->asXML('php://output');

Answer 2

如果您将 XML 加载到 DOM 中，您可以读取 DOMNode::$textContent 属性。

$document = new DOMDocument();
$document->loadXml($xml);

var_dump($document->documentElement->textContent);

输出包含包含所有空格的文本内容。

string(113) "
    1.

        String 1
        String 2
        <<16.
        String 3Something here
        String 4

"

在更复杂的结构中，使用 Xpath 获取值。函数normalize-space() 将第一个节点转换为字符串，删除前导和尾随空格并将所有其他空白组转换为单个空格。

$xpath = new DOMXpath($document);
var_dump($xpath->evaluate('normalize-space(/corpo)'));

输出：

string(58) "1. String 1 String 2 <<16. String 3Something here String 4"

要创建删除标签的 XML，请导入不带子节点的 corpo 节点并附加文本内容：

$target = new DOMDocument();
foreach ($xpath->evaluate('/corpo') as $corpo) {
  $target
    ->appendChild(
      $target->importNode($corpo)
    )->appendChild(
      $target->createTextNode(
        $xpath->evaluate('normalize-space(.)', $corpo)
      )
    );
}

echo $target->saveXml();

输出：

<?xml version="1.0"?>
<corpo xmlns:xlink="urn:xlink" xmlns:h="urn:h">1. String 1 String 2 &lt;&lt;16. String 3Something here String 4</corpo>