如何使用 PHPs DomDocument 获取元素和内容结构？答案

【问题标题】：How to get both element and content structure using PHPs DomDocument?如何使用 PHPs DomDocument 获取元素和内容结构？
【发布时间】：2016-11-11 23:03:33
【问题描述】：

假设我想实现基于页面元素和内容结构的自动字体请求优化，我将如何使用 PHPs DomDocument 获取所需的信息？

简而言之，这个问题可以用两个结构示例来说明：

示例 1

<p><em>All italic paragraph text</em></p>

示例 2

<p>Normal paragraph text <em>and some italic text</em></p>

两个示例中的元素结构相同，即带有 子元素的段落元素。但是，内容结构不同：示例 1 中的所有文本都是斜体，但示例 2 中既有普通文本也有斜体文本。

我目前获取元素结构的方法是这样的：

$dom = new DOMDocument;
foreach ($dom->getElementsByTagName('p') as $elm) {
    $elms[] = $dom->saveHTML($elm);
}

然后我将遍历元素并使用相同的方法来查找嵌套元素，例如  和 。

但我需要一个好的方法来处理内容结构。我想我可以用 和 拆分文本，看看结果列表中的第一个和最后一个元素是否有长度，但这让我想起了使用正则表达式的自定义 HTML 搜索，这似乎是最不推荐的方法这里。

但是在这种情况下我有什么替代方案？

【问题讨论】：

标签： php html parsing structure domdocument

【解决方案1】：

您可以使用DOMXPath 查找各个文本节点：

$html = "<p>Normal paragraph text <em>and some italic text</em></p>";

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXpath($dom);
$textNodes = $xpath->query("//text()");
$elms = [];
foreach ($textNodes as $elm) {
    $elms[] = array(
        "parent" => $elm->parentNode->tagName,
        "path" => $elm->parentNode->getNodePath(),
        "text"   => $elm->textContent
    );
}

$elms 将包含：

array (
  array (
    'parent' => 'p',
    'path' => '/html/body/p',
    'text' => 'Normal paragraph text ',
  ),
  array (
    'parent' => 'em',
    'path' => '/html/body/p/em',
    'text' => 'and some italic text',
  ),
)

【讨论】：

非常感谢！这似乎正是我想要的。即使它不是 DomDocument，它仍然是原生 php，这正是我真正追求的。谢谢。