仅解析来自 url 的文本内容

Question

我正在尝试从给定的 url 解析文本内容。代码如下：

<?php
$url = 'http://stackoverflow.com/questions/12097352/how-can-i-parse-dynamic-content-from-a-web-page';
$content = file_get_contents($url);
echo $content;                          // This parse everything on the page, including image + everything

$text=escapeshellarg(strip_tags($content));
echo "</br>";
echo $text;   // This gives source code also, not only the text content over page
?>

我只想获取写在页面上的文本。没有页面源代码。有什么想法吗？我已经用谷歌搜索过了，但上面的方法只存在于任何地方。

Answer 1

您可以使用DOMDocument 和DOMNode

$doc = new DOMDocument();
$doc->loadHTMLFile($url);
$xpath = new DOMXPath($doc);
foreach($xpath->query("//script") as $script) {
    $script->parentNode->removeChild($script);
}
$textContent = $doc->textContent; //inherited from DOMNode

除了使用 xpath，您还可以这样做：

$doc = new DOMDocument();
$doc->loadHTMLFile($url); // Load the HTML
foreach($doc->getElementsByTagName('script') as $script) { // for all scripts
    $script->parentNode->removeChild($script); // remove script and content 
                                               // so it will not appear in text
}
$textContent = $doc->textContent; //inherited from DOMNode, get the text.

Answer 2

$content = file_get_contents(strip_tags($url));

这将删除来自页面的 HTML 标记

Answer 3

要删除 html 标记，请使用：

$text = strip_tags($text);

Answer 4

一个简单的 cURL 就可以解决这个问题。 [测试]

<?php
$ch = curl_init("http://stackoverflow.com/questions/12097352/how-can-i-parse-dynamic-content-from-a-web-page");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); //Sorry forgot to add this
echo strip_tags(curl_exec($ch));
curl_close($ch);
?>