使用简单的Html dom解析器进行Html解析

Question

我正在使用简单的html dom解析器来解析一些html。

我有一个像这样的html

<span class="UIStory_Message">
    Yeah, elixir of life!<br/>
   <a href="asdfasdf">
      <span>asdfsdfasdfsdf</span>
       <wbr/>
       <span class="word_break"/>
       61193133389&ref=nf
   </a>
</span>

我的代码是

$storyMessageNodes    = $story->find('span.UIStory_Message');
$storyMessage         = strip_tags($storyMessageNodest->innertext);

我想要将文本放在span "UIStory_Message“中。比如，“是啊，长生不老药！”

但是上面的代码给了我整个范围内的整个文本。例如，“耶，长生不老药！asdfsdfasdfsdf 61193133389&ref=nf”

我的代码怎么能让它只给出“耶，长生不老药！”?？

Answer 1

我已经写了一个方法来消除在抓取的DOM节点中不需要的元素，我已经联系了作者，但简单的dom已经两年没有活动了，所以我怀疑他会把它包含在发行版中。这就是它：

/**
 * remove specified nodes from selected dom
 *
 * @param string $selector
 * @param int|array (optional) possible values include:
 *   + positive integer - remove first denoted number of elements
 *   + negative integer - remove last denoted number of elements
 *   + array of ones and zeroes - remove the respective matches that equal to one
 *
 * eg.
 *   // will remove first two images found in node
 *   $dom->removeNodes('img',2);
 *
 *   // will remove last two images found in node
 *   $dom->removeNodes('img',-2);
 *
 *   // will remove all but the third images found in node
 *   $dom->removeNodes('img',array(1,1,0,1));
 *
 * [!!!] if there are more matches found than elements in array, the last array member will be used for processing
 *
 * eg.
 *   // will remove second and every following image
 *   $dom->removeNodes('img',array(0,1));
 *
 *   // will remove only the second image
 *   $dom->removeNodes('img',array(0,1,0));
 *
 * @return simple_html_dom_node
 */
public function removeNodes($selector, $limit = NULL)
{
    $elements = $this->find($selector);
    if ( empty($elements) ) return $this;


    if ( isset($limit) && is_int( $limit ) && $limit < 0 ) {
        $limit = abs( $limit );
        $elements = array_reverse( $elements );
    }

    foreach ( $elements as $element ) {

        if ( isset($limit) ) {

            if ( is_array( $limit ) ) {
                $current = current( $limit );
                if ( next( $limit ) === FALSE ) {
                    end( $limit );
                }
                if ( !$current ) {
                    continue;
                }
            } else {
                if ( --$limit === -1 ) {
                    return $this;
                }
            }
        }

        $element->outertext = '';

    }

    return $this;
}

将它放在simple_html_dom_node类或扩展它的类中。在asker的情况下，您可以这样使用它：

$storyMessageNodes = $story->find('span.UIStory_Message');
$storyMessage = $storyMessageNodes[0]->removeNodes('a')->plaintext

Answer 2

你可以这样做：

$result = $story->find('span.UIStory_Message');

然后在第一个<上使用substr()；另一种选择是编写一个简单的正则表达式。

我还没有测试过，这只是基于文档的胡乱猜测，试着这样做：

$story->find('span.UIStory_Message')->plaintext; // same result as strip_tags()?

或者：

$story->find('span.UIStory_Message')->find('text');

如果那不起作用，try playing with these options。

Answer 3

当您只删除外部文本时，您将删除HTML内容本身，但是如果您对相同的元素执行另一次查找，则它将出现在结果中。原因是简单的HTML DOM对象仍然具有元素的内部结构，只是没有其实际内容。要真正删除元素，只需将HTML作为字符串重新加载到同一个变量。这样，将在没有删除内容的情况下重新创建对象，并且在没有删除内容的情况下构建简单的HTML DOM对象。

下面是一个示例函数：

public function removeNode($selector)
{
    foreach ($html->find($selector) as $node)
    {
        $node->outertext = '';
    }

    $this->load($this->save());        
}

把这个函数放在simple_html_dom类中就可以了。