PHP Dom文档：忽略脚本标记和注释获取文本内容

我使用dom doc从数据库中加载html，如下所示：

$doc = new DOMDocument();
@$doc->loadHTML($data);
$doc->encoding = 'utf-8';
$doc->saveHTML();

然后我通过执行以下操作获得正文：

$bodyNodes = $doc->getElementsByTagName("body");
$words = htmlspecialchars($bodyNodes->item(0)->textContent);

我得到的单词包含了

中的所有内容。还包括

之类的内容。

---

如何删除它们并只保留真实的文本内容？

您必须访问所有节点并返回它们的文本。如果其中一些包含其他节点，也可以访问它们

这可以通过以下基本递归算法完成：

extractNode:
    if node is a text node or a cdata node, return its text
    if is an element node or a document node or a document fragment node:
        if it’s a script node, return an empty string
        return a concatenation of the result of calling extractNode on all the child nodes
    for everything else return nothing

实施：

function extractText($node) {    
    if (XML_TEXT_NODE === $node->nodeType || XML_CDATA_SECTION_NODE === $node->nodeType) {
        return $node->nodeValue;
    } else if (XML_ELEMENT_NODE === $node->nodeType || XML_DOCUMENT_NODE === $node->nodeType || XML_DOCUMENT_FRAG_NODE === $node->nodeType) {
        if ('script' === $node->nodeName) return '';

        $text = '';
        foreach($node->childNodes as $childNode) {
            $text .= extractText($childNode);
        }
        return $text;
    }
}

这将返回给定$node的textContent，忽略脚本标记和注释

$words = htmlspecialchars(extractText($bodyNodes->item(0)));

在这里试试：

您可以使用它

借用用于上述示例的HTML arnaud：

$html = <<< HTML
<p>
    test<span>foo<b>bar</b>
</p>
<script>
    ignored
</script>
<!-- comment is ignored -->
<p>test</p>
HTML;

将输出（）

---

你的意思是递归提取

中每个元素的文本内容？只提取有意义的文本内容，不包括Java脚本或其他html注释等，这些都不是有用的数据。我已经添加了算法的快速描述。此函数有助于。它实际上能够识别并将单词的句子分割成一个字符串。@nuttynibbles它不识别单词，也不识别句子。XPath是XML的查询语言。它不知道XML文档的内容，只知道结构。看见

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->loadHtml($html);

$xp    = new DOMXPath($dom);
$nodes = $xp->query('/html/body//text()[
    not(ancestor::script) and
    not(normalize-space(.) = "")
]');

foreach($nodes as $node) {
    var_dump($node->textContent);
}

string(10) "
    test"
string(3) "foo"
string(3) "bar"
string(4) "test"