如何获得由XML创建的DOM元素的纯文本和HTML？

Question

我们有数千个封闭的标题XML文件，必须以纯文本形式导入数据库，并保留HTML标记以转换为另一种CC格式。我已经能够很容易地提取纯文本，但似乎也找不到提取原始HTML的正确方法。

是否有一种方法可以实现类似于"->htmlContent“的事情，就像->textContent在下面工作一样？

$ctx = stream_context_create(array('http' => array('timeout' => 60)));
$xml = @file_get_contents('http://blah-blah-blah/16TH.xml', 0, $ctx);

$dom = new DOMDocument;
$dom->loadXML($xml);
$ptags = $dom->getElementsByTagName( "p" );
foreach( $ptags as $p ) {
    $text   = $p->textContent;
}

正在处理的<p> ：

<p begin="00:00:14.83" end="00:00:18.83" tts:textAlign="left">
    <metadata ccrow="12" cccol="8"/>
    (male narrator)<br></br> THE 16TH AND 17TH CENTURIES<br></br> WERE THE FORMATIVE 200 YEARS
</p>

->textContent Result

(male narrator) THE 16TH AND 17TH CENTURIES WERE THE FORMATIVE 200 YEARS

所需的 HTML结果

(male narrator)<br></br> THE 16TH AND 17TH CENTURIES<br></br> WERE THE FORMATIVE 200 YEARS

Answer 1

换句话说，您希望保存特定的节点-- br元素和文本节点。您可以使用DOM+Xpath来完成这一任务：

$document = new DOMDocument();
$document->preserveWhiteSpace = false;
$document->loadXml($html);
$xpath = new DOMXpath($document);

foreach ($xpath->evaluate('//p') as $p) {
  $content = '';
  foreach ($xpath->evaluate('.//br|.//text()', $p) as $node) {
    $content .= $document->saveHtml($node);
  }
  var_dump($content);
}

输出：

string(86) "
    (male narrator)<br> THE 16TH AND 17TH CENTURIES<br> WERE THE FORMATIVE 200 YEARS
"

Xpath表达式

任何后裔br：.//br

任何子代文本节点：.//text()

联合表达：.//br|.//text()

命名空间

如果XML使用名称空间，则必须注册和使用它们。

$document = new DOMDocument();
$document->preserveWhiteSpace = false;
$document->loadXml($html);
$xpath = new DOMXpath($document);
$xpath->registerNamespace('tt', 'http://www.w3.org/2006/04/ttaf1');

foreach ($xpath->evaluate('//tt:p') as $p) {
  $content = '';
  foreach ($xpath->evaluate('.//tt:br|.//text()', $p) as $node) {
    $content .= $document->saveHtml($node);
  }
  var_dump($content);
}

Answer 2

在我意识到由于trees...quite标记的结束标记导致strip_tags()失败之后，我无法看到BR的森林--这是一个简单的解决方案：

foreach( $ptags as $p ) {
    $text = $p->textContent;
    $html = $p->ownerDocument->saveXML($p);         // Raw HTML
    $html = str_ireplace('<br></br>','<br>',$html); // Cleanup the BR usage
    $html = strip_tags($html,'<br>');               // Strip the tags I don't need
}

使用DOM或regex可能有一个更优雅的解决方案，但这确实完成了它。