使用PHP在任意HTML中查找重要文本？
我有一些随机的HTML布局，其中包含我想提取的重要文本。我不能只使用PHP在任意HTML中查找重要文本？,php,regex,dom,text-parsing,Php,Regex,Dom,Text Parsing,我有一些随机的HTML布局，其中包含我想提取的重要文本。我不能只strip_tags（），因为那样会在侧边栏/页脚/页眉等处留下一堆多余的垃圾 我发现了一个，我想知道在PHP中是否有类似的东西 这个概念相当简单：使用 关于文本密度的信息 vs.HTML代码来计算一行 文本值得输出。（这不是 一个新颖的想法，但它是有效的！）基本的 过程如下： 解析HTML代码并跟踪处理的字节数 按每行或每段存储文本输出 将所需的HTML字节数与每个文本行关联 描述一下 通过计算文本的比率来计算每行的文本密度 t>
strip_tags（）更新：我开始悬赏一个可以从随机HTML模板中提取主要内容的答案。由于我无法共享我将要使用的文档，所以只需选择任意博客站点，并尝试从布局中提取正文。请记住，页眉、侧边栏和页脚也可能包含文本。有关想法，请参见上面的链接。我不久前曾参与过一个类似的项目。它没有Python脚本那么复杂，但它会做得很好。查看简单的HTML PHP解析器 可以用来解析html文档，然后可以通过PHP查询这些文档
编辑：wikied取决于您的HTML结构，如果您有id或类，您可能会变得有点复杂，并使用preg_match（）专门获取特定开始和结束标记之间的任何信息。这意味着您应该知道如何编写正则表达式 您还可以查看浏览器仿真PHP类。我已经为页面抓取做了这项工作，它工作得很好，这取决于DOM的格式。我个人喜欢SimpleBrowser
- 是一个基于jQuery JavaScript库的服务器端、可链接、CSS3选择器驱动的文档对象模型（DOM）API
更新2
- 演示：
- 在取自和的休闲博客列表上进行测试
#侧栏、#页眉、#页脚、#注释等script，iframe/\d+\scomment（？[s]）/im/（阅读其余部分|阅读更多内容）。*/im/（？：.*？：由提交人提交？：ed）？.*\s（上午十点到下午六点））/im/[^a-z0-9]+/im搜索熟悉的类和ID：
- typepad.com
。输入内容 - org
.post entry.entry.post - movabletype.com
.post - blogger.com
.post body.entry content - drupal.com
.content - tumblr.com
.post - squarespace.com
。日记账分录文本 - expressionengine.com
.entry - gawker.com
.post body - Ref:
基于常见html结构进行搜索，如下所示：
<div>
<h1|h2|h3|h4|a />
<p|div />
</div>
如果您需要帮助，只需查看我的个人资料并发送邮件给我，我甚至可以开发出满足您需要的过滤器，最终在其他语言的任何解决方案中得到启发 “提取”是什么意思？用完整完整的HTML（如
$text=exec（“python-m…”）textNode<div>
<h1|h2|h3|h4|a />
<p|div />
</div>
$doc = phpQuery::newDocumentFile('http://blog.com')->find('h1,h2,h3,h4')->parent()->children('p,div');