php：从网页中提取特定标记之间的文本

可能重复：

我知道我应该使用一个html解析器，比如php domdocument（）或tagsoup

如何使用php domdocument提取特定标记之间的文本，例如获取h1、h2、h3、p和表之间的文本？似乎我只能用getelementbytagname对一个标记执行此操作

---

对于这样的任务，有更好的html解析器吗？或者我如何循环遍历php文档

您可以使用正则表达式执行此操作

preg_match_all('#<h1>([^<]*)</h1>#Usi', $html_string, $matches);
foreach ($matches as $match)
{
  // do something with $match
}

---

preg_match_all（'#）（[^如果您是正确的，请使用DomDocument（因为正则表达式不是解析HTML的好方法。为什么？请参阅和了解原因）

getElementsByTagName
为您提供了一个可以迭代以获取所有找到的元素的文本的方法。因此，您的代码可能类似于：

$document = new \DOMDocument();
$document->loadHTML($html);

$tags = array ('h1', 'h2', 'h3', 'h4', 'p');
$texts = array ();
foreach($tags as $tag)
{
  $elementList = $document->getElementsByTagName($tag);
  foreach($elementList as $element)
  {
     $texts[$element->tagName][] = $element->textContent;
  }
}
return $texts;

请注意，这里可能会有一些错误处理，并且还会丢失文本的上下文，但您可能可以根据自己的需要编辑此代码。
我不确定您的源代码是什么，因此我添加了一个函数来通过URL获取内容

$file = file_get_contents($url);

$doc = new DOMDocument();
$doc->loadHTML($file);

$body = $doc->getElementsByTagName('body');
$h1 = $body->getElementsByTagName('h1');

我不确定这一部分：

for ($i = 0; $i < $items->length; $i++) {
    echo $items->item($i)->nodeValue . "\n";
}

以下是有关nodeValue的更多信息：

希望能有所帮助！
请不要为此使用regex！regex在解析HTML方面的可靠性是出了名的差。谢谢，看起来不错。在一些网页上试用过，比如yahoo.com（刚刚添加了
$HTML=file\u get\u contents（“http://yahoo.com”；
，但它总是失败，并给出可怕的
domdocument.loadhtml]：htmlParseEntityRef:实体中应为“；”，我想必须检查tagsoup或simplehtmldom:）不过算法看起来不错。
foreach ($items as $item) {
    echo $item->nodeValue . "\n";
}