提取html标签外的文本[关闭]答案

【问题标题】：Extract text outside html tags [closed]提取html标签外的文本[关闭]
【发布时间】：2018-12-22 13:27:05
【问题描述】：

我正在尝试使用preg_match() 提取文本，该文本不包含在<p> 或<img> 等标签中。此文本是从数据库中检索的，我正在使用 PHP。

This should be extracted <p>I do not want this</p> This should be extracted <a>This may appear after other tags and I do not want this</a>

我尝试过(.*)(<p>|<a>|<\/p>|<\/a>)(.*)，但这将捕获直到最后一个标签的所有内容，并且更早的标签与标签外的文本一起被捕获。

我曾尝试像这样在 Stackoverflow 上进行搜索： Match text outside of html tags 但是当我将它粘贴到 regex101.com 时，提供的正则表达式出现模式错误。

希望能提供任何帮助，谢谢。

【问题讨论】：

最好使用DOM解析器，HTML的正则表达式总是脆弱的。
为什么@barmar 是对的，请看这个问答：stackoverflow.com/a/1732454/870729
@Barmar 感谢您的回复。由于我的文本本身不是来自 html 或 xml 文件，而是来自数据库，因此它没有 body 或 head 标签。我检查了解析器是否使用 getElementsByTagName 访问节点，但我想要的文本不在标签中。有什么方法可以获取标签中没有的文本？
@claris 你是说你的数据库包含 HTML 标记标签吗？
@Funk Forty Niner 是的，不幸的是，由于我正在处理遗留系统，数据库包含 HTML 标记。

标签： php regex

【解决方案1】：

您可以使用 PHP 的 DOMDocument 和 DOMXPath 来获取您想要的值。诀窍是将数据库中的 HTML 包装在（例如）<div> 标记中，然后您可以将其加载到 DOMDocument 并使用 DOMXPath 搜索 <div> 标记的子级，这些子级纯粹是使用text() 路径的文本：

$html = 'This should be extracted <p>I do not want this</p> This should also be extracted <a>This may appear after other tags and I do not want this</a>';
$doc = new DOMDocument();
$doc->loadHTML("<div>$html</div>", LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED);
$xpath = new DOMXPath($doc);
$texts = array();
foreach ($xpath->query('/div/text()') as $text) {
    $texts[] = $text->nodeValue;
}
print_r($texts);

输出：

Array ( 
    [0] => This should be extracted
    [1] =>  This should also be extracted 
)

Demo on 3v4l.org

【讨论】：