php从html页面获取正文答案

【问题标题】：php get body from html pagephp从html页面获取正文
【发布时间】：2014-08-16 10:08:02
【问题描述】：

我想从完整的 html 代码中去除一些 html-body 代码。

我使用下面的脚本。

<?php       
    function getbody($filename) {
      $file = file_get_contents($filename);

      $bodystartpattern = ".*<body>";
      $bodyendpattern = "</body>.*";

      $noheader = eregi_replace($bodystartpattern, "", $file);

      $noheader = eregi_replace($bodyendpattern, "", $noheader);

      return $noheader;
    }
    $bodycontent = getbody($_GET['url']);
?>

但在某些情况下，标签<body> 并不存在，但标签可能是<body style="margin:0;"> 或其他东西。谁能告诉我，在这种情况下，通过在 $bodystartpattern 中使用正则表达式来查找开头-body-tag 的关闭->”，找到 body-tag 的解决方案是什么？

【问题讨论】：

旁注：eregi_replace() 自 PHP 5.3.0 起，该函数已被弃用。强烈建议不要依赖此功能。
检查this answer 使用正则表达式解析html...

标签： php html regex

【解决方案1】：

为什么不使用 html 解析器？

function getbody($filename) {
  $file = file_get_contents($filename);

  $dom = new DOMDocument();
  libxml_use_internal_errors(true);
  $dom->loadHTML($file);
  libxml_use_internal_errors(false);
  $bodies = $dom->getElementsByTagName('body');
  assert($bodies->length === 1);
  $body = $bodies->item(0);
  for ($i = 0; $i < $body->children->length; $i++) {
      $body->remove($body->children->item($i));
  }
  $stringbody = $dom->saveHTML($body);
  return $stringbody;
}

DOM loadHTML reference

【讨论】：

我已经复制了你的代码，但现在它什么也没有返回了......有什么想法吗？
@GuidoLemmens2 你在里面有没有 php 代码.. 更具体地说是一些 $ ？它可以打破一切。你有错误报告吗？你得到了一些回应吗？

【解决方案2】：

@1nflktd 我已经尝试了下面的代码。

<?php
    header('Content-Type:text/html; charset=UTF-8');

    function getbody($filename) {
        $file = file_get_contents($filename);       
        $dom = new DOMDocument;
        $dom->loadHTML($file);
        $bodies = $dom->getElementsByTagName('body');
        assert($bodies->length === 1);
        $body = $bodies->item(0);
        for ($i = 0; $i < $body->children->length; $i++) {
            $body->remove($body->children->item($i));
        }
        $stringbody = $dom->saveHTML($body);
        return $stringbody;
    }

    $url = "http://www.barcelona.com/";
    $bodycontent = getbody($url);
?>

<html>
<head></head>
<body>
<?php
    echo "BODY ripped from: ".$url."<br/>";
    echo "<textarea rows='40' cols='200' >".$bodycontent."</textarea>";
?>
</body>
</html>

【讨论】：

我刚刚在我的机器上尝试了你的代码，它运行良好。你有什么错误吗？如果您没有启用错误，请执行此操作。
它在我的机器上不起作用。你可以在kunstplantenonline.nl/test/test.php 看到这个脚本并查看 php-warnings。
查看stackoverflow.com/questions/9149180/domdocumentloadhtml-error，并查看我更新的答案
我已更改“$dom = new DOMDocument;”到“$dom = new DOMDocument();”它有效:-)