Php 剥离不在标记中的html

我目前正在抓取一个网站，并拥有所有我需要的有用数据，尽管它附带了一些我不想要的数据

例如：

<h2>Heading</h2>
<p>Useful <a href="/foo">data</a></p>
Rubbish <a href="/bar">data</a>
<h2>heading</h2>

标题
有用的

垃圾
标题

因此，本质上我想删除所有未包含在

h2

或

p

标记中的文本

---

是否有一个简单的函数/preg？

最懒惰的解决方案是使用phpQuery或仅使用以下函数：

foreach (qp($html)->find("body *") as $node) {
    echo $node->html(), "\n";
}

---

它迭代body下面的所有标记，并隐式跳过文本节点。因此，您只需收集生成的->html（）代码片段。

最好的方法是使用PHP的DOMDocument类。这与非常相似，只是它不需要一个全新的库

$doc = new DOMDocument;
$doc->loadXML('<root>' . $yourContent . '</root>');

$nodes = $doc->firstChild->childNodes;

$output = '';
for ($i = 0; $i < $nodes->length; $i++) {
    $node = $nodes->item($i);
    if ($node->nodeType !== XML_TEXT_NODE) {
        $output .= $doc->saveXML($node);
    }
}

echo $output;

$doc=新文档；
$doc->loadXML（'.$yourContent''）；
$nodes=$doc->firstChild->childNodes；
$output=''；
对于（$i=0；$i<$nodes->length；$i++）{
$node=$nodes->item（$i）；
如果（$node->nodeType！==XML\u TEXT\u node）{
$output.=$doc->saveXML（$node）；
}
}
echo$输出；

结果稍微好一点：

preg_match_all('~<h2>.*?<\/h2>|<p>.*?<\/p>~i', $str, $new);

preg_match_all（“~.*？”*？~i'，$str，$new）；

（相关）您正在使用哪个类来解析HTML？到目前为止，这是一个快速而肮脏的过程。（一个快速而肮脏的黑客项目）。我可以使用htmlpurifier，但如果我能帮上忙，我宁愿不使用。正如我所说，这只是懒惰：@mario这没什么错。不包括一个全新的图书馆可以被认为是懒惰！phpQuery是刮网的炸弹。