DOMCrawler纯文本

Question

我正在使用Symfony的DomCrawler从网站上获取信息。

在其中一个页面中，有一个文本包含非html编码的属性，如下所示：

<a href="some-url.html">Lorem ipsum <<dolor sit>> amet </a>

当我试图使用filterXPath方法从a标记中抓取文本时，我得到了Lorem ipsum <，因为正如我所设想的那样，它会表现为像破坏的html标记那样的符号，而只是忽略它们。

此外，当我尝试使用$node->filterXPath('my-xpath/a')->html()时，我也会得到一个坏的html，如下例所示：

<a href="some-url.html">Lorem ipsum &gt;</a>

那么，我的问题是，是否有任何方法将“纯文本”从节点中删除？

Answer 1

在GitHub上讨论了这个问题之后，似乎没有解决办法来“解决”我的问题。唯一的解决办法是修复损坏的html。

Answer 2

我认为你要寻找的东西可以通过以下方法来完成：

$node->filterXPath('my-xpath/a')->text();

您可以在Symfony DOM Crawler文档站点上找到文档。

Answer 3

那么，我的问题是，是否有任何方法将“纯文本”从节点中删除？

是的，但是您需要首先修复HTML。顺便说一句，您不需要手工处理，HTML整齐扩展会自动完美地处理您的情况。

在爬行之前，只需整理HTML即可。