用php从网页中抓取纯文本

Question

我尝试了大部分的正则表达式。但他们不为我工作.. 我需要删除所有html标签并返回值的正则表达式......在我的html文件中有以下html标签：输入文本，选择。

          $file_string = file_get_contents('page_to_scrape.html');

          preg_match('/<title>(.*)<\/title>/i', $file_string, $title);
          $title_out = $title[1];

          preg_match('/<option value="ELIT">(.*)<\/option>/i', $file_string,   $keywords);
          $keywords_out = $keywords[1];

          preg_match('/<option value="MAS" selected="selected">(.*)<\/option>/i', $file_string, $ash);
          $ash_s = $ash[1];

         preg_match('/<input type="text" value="(.*)"/>/i', $file_string, $description);
         $description_out = $description[1];

         preg_match_all('/<li><a href="(.*)">(.*)<\/a><\/li>/i', $file_string, $links);

        ?>

         <p><strong>Title:</strong> <?php echo $title_out; ?></p>
          <p><strong>Name:</strong> <?php echo $keywords_out; ?></p>
      <p><strong>TExtbox:</strong> <?php echo $description_out; ?></p>
     <p><strong>Event:</strong> <?php echo $ash_s; ?></p>
          <p><strong>Links:</strong> <em>(Name - Link)</em><br />
     <?php
            echo '<ol>';
           for($i = 0; $i < count($links[1]); $i++) {
              echo '<li>' . $links[2][$i] . ' - ' . $links[1][$i] . '</li>';
     }
       echo '</ol>';
        ?>
      </p>

HTML 文件 这是标题

链接 1

链接 2

链接 3

链接 4

链接 5

                    </ul>
                    <div class="field">
                                <label>Event:</label>
                                <select name="event" class="event">
                                                            <option value="MAS" selected="selected">Same</option>
                                                                <option value="ELIT">Same4</option>
                                                                <option value="IPC">Same3</option>
                                                                <option value="VLMW">Same2</option>
                                                    </select>
                            </div>

                            <div class="field">
                                                            <label class="sub">Surname:</label>
                                                <input name="search[name]" value="Smith" type="text">
                                                <br>
                                                                        <label class="sub">First Name:</label>
                                                <input name="search[firstname]" value="Alex" type="text">
                                                <br>



                            </div>


                    </div> 
                    </body> 
                    </html> 

Answer 1

您可以使用 DOM 解析器，但为什么不保持简单。 HTML毕竟使用标签。这段代码获取了所有的文本，只有简单的文本和基于数组的函数：

$html = file_get_contents('http://stackoverflow.com/questions/25680536');

$tags = explode('<',$html);

foreach ($tags as $tag)
{
  // skip scripts
  if (strpos($tag,'script') !== FALSE) continue;
  // get text
  $text = strip_tags('<'.$tag);
  // only if text present remember
  if (trim($text) != '') $texts[] = $text;
}

print_r($texts);

它以数组形式结束，这通常比纯文本有用得多。您必须进行更多的后期清洁，但这是不可避免的。