如何使用 simple_html_dom.php 从 HTML 文件中删除空段落？答案

【问题标题】：How can I remove empty paragraphs from an HTML file using simple_html_dom.php?如何使用 simple_html_dom.php 从 HTML 文件中删除空段落？
【发布时间】：2010-09-18 06:40:46
【问题描述】：

我想使用simple_html_dom.php 从 HTML 文档中删除空段落。我知道如何使用 DOMDocument 类来做到这一点，但是，因为我使用的 HTML 文件是在 MS Word 中准备的，所以 DOMDocument 的 loadHTMLFile() 函数会给出这个异常“未定义命名空间”。

这是我与 DOMDocument 对象一起用于未在 MS Word 中准备的 HTML 文件的代码：

<?php
/* Using the DOMDocument class */

/* Create a new DOMDocument object. */
$html = new DOMDocument("1.0", "UTF-8");

/* Load HTML code from an HTML file into the DOMDocument. */
$html->loadHTMLFile("HTML File With Empty Paragraphs.html");

/* Assign all the <p> elements into the $pars DOMNodeList object. */
$pars = $html->getElementsByTagName("p");

echo "The initial number of paragraphs is " . $pars->length . ".<br />";

/* The trim() function is used to remove leading and trailing spaces as well as
* newline characters. */
for ($i = 0; $i < $pars->length; $i++){
    if (trim($pars->item($i)->textContent) == ""){
        $pars->item($i)->parentNode->removeChild($pars->item($i));
        $i--;
    }
}

echo "The final number of paragraphs is " . $pars->length . ".<br />";

// Write the HTML code back into an HTML file.
$html->saveHTMLFile("HTML File WithOut Empty Paragraphs.html");
?>

这是我与 simple_html_dom.php 模块一起使用的代码，用于在 MS Word 中准备的 HTML 文件：

<?php
/* Using simple_html_dom.php */

include("simple_html_dom.php");

$html = file_get_html("HTML File With Empty Paragraphs.html");

$pars = $html->find("p");

for ($i = 0; $i < count($pars); $i++) {
    if (trim($pars[$i]->plaintext) == "") {
        unset($pars[$i]);
        $i--;
    }
}

$html->save("HTML File without Empty Paragraphs.html");
?>

几乎相同，只是$pars变量在使用DOMDocument时是一个DOMNodeList，而在使用simple_html_dom.php时是一个数组。但是这段代码不起作用。首先它运行了两分钟，然后报告了这些错误：“未定义的偏移量：1”和“尝试获取非对象的属性”对于这一行：“if (trim($pars[$i]->plaintext) == "" ) {"。

有谁知道我该如何解决这个问题？

谢谢。

我也在php devnetwork上问过。

【问题讨论】：

我猜你发布的第一个代码块中的if (trim($pars->item($i)->textContent == "")){应该是if (trim($pars->item($i)->textContent) == ""){
ps：第二个代码块if (trim($pars[$i]->plaintext == "")) { => if (trim($pars[$i]->plaintext) == "") { ;)
@DaNiel，感谢您指出这一点，但在修复它之后，我得到了相同的结果。

标签： php html

【解决方案1】：

查看Simple HTML DOM Parser 的文档，我认为这应该可以解决问题：

include('simple_html_dom.php');

$html = file_get_html('HTML File With Empty Paragraphs.html');
$pars = $html->find('p');

foreach($pars as $par)
{
    if(trim($par->plaintext) == '')
    {
        // Remove an element, set it's outertext as an empty string 
        $par->outertext = '';
    }
}

$html->save('HTML File without Empty Paragraphs.html');

我做了一个快速测试，这对我有用：

include('simple_html_dom.php');

$html = str_get_html('<html><body><h1>Test</h1><p></p><p>Test</p></body></html>');
$pars = $html->find("p");

foreach($pars as $par)
{
    if(trim($par->plaintext) == '')
    {
        $par->outertext = '';
    }
}

echo $html;
// Output: <html><body><h1>Test</h1><p>Test</p></body></html>

【讨论】：

【解决方案2】：

空段落看起来像 [spaces or newlines] （不区分大小写）。您可以使用 preg_replace（或 str_replace）来删除空段落。

仅当空段落为  时，以下内容才有效：

$oldHtml = file_get_contents('File With Empty Paragraphs.html');
$newHtml = str_replace('<p></p>', '', $oldHtml);
// and write the new HTML to the file
$fh = fopen('File Without Empty Paragraphs.html', 'w');
fwrite($fh, $newHtml);
fclose($fh);

这也适用于带有属性的段落，例如 :

$oldHtml = file_get_contents('File With Empty Paragraphs.html');
$newHtml = preg_replace('#<p[^>]*>\s*</p>#i', '', $oldHtml);
// and write the new HTML to the file
$fh = fopen('File Without Empty Paragraphs.html', 'w');
fwrite($fh, $newHtml);
fclose($fh);

【讨论】：