php：从 html 获取纯文本 - simplehtmldom 还是 php strip_tags？答案

【问题标题】：php: Get plain text from html - simplehtmldom or php strip_tags?php：从 html 获取纯文本 - simplehtmldom 还是 php strip_tags？
【发布时间】：2011-12-05 19:03:15
【问题描述】：

我正在寻找从 html 获取纯文本。我应该选择哪一个，phpstrip_tags或simplehtmldom明文提取？

simplehtmldom 的一个优点是支持无效的 html，这本身就足够了吗？

【问题讨论】：

条形标签将为您提供所提供文档中的所有文本。如果您想要文档的一小部分，则使用 DOM 提取该部分。

标签： php extract web-scraping text-extraction simple-html-dom

【解决方案1】：

strip_tags 就足够了。

【讨论】：

【解决方案2】：

由于您提到的原因，您可能应该使用 smiplehtmldom，并且 strip_tags 也可能会在脚本/样式块中留下非文本元素，例如 javascript 或 css

您还可以从未显示的元素中过滤文本 (inline style=display:none)

也就是说，如果 html 足够简单，那么 strip_tags 可能会更快并且可以完成相同的任务

【讨论】：

我同意除了未显示的元素之外的所有内容。用例是如此之小，以至于除了 JavaScript 执行之后，没有人应该使用内联样式，看起来 OP 并不关心。

【解决方案3】：

从 HTML 中提取文本很棘手，因此最好的选择是使用 Html2Text 之类的库。它是专门为此目的而构建的。

https://github.com/mtibben/html2text

使用作曲家安装：

composer require html2text/html2text

基本用法：

$html = new \Html2Text\Html2Text('Hello, &quot;<b>world</b>&quot;');

echo $html->getText();  // Hello, "WORLD"

【讨论】：

【解决方案4】：

如果您只想要页面的纯文本呈现，那么 strip_tags 更快更简单。但是，如果您想在此过程中对文本进行任何操作，从长远来看，simplehtmldom 会为您提供更好的服务。

【讨论】：

【解决方案5】：

您可能还想删除斜杠 stripslashes()

【讨论】：