在包含其他 dom 元素但不在任何标签内的 Div 中提取明文答案

【问题标题】：Extract plaintext within Div that includes other dom elements but not within any tags在包含其他 dom 元素但不在任何标签内的 Div 中提取明文
【发布时间】：2011-05-19 12:14:11
【问题描述】：

我正在尝试使用 PHP 提取一些未包含在任何标签中的纯文本。最好的解释方式是展示；

<div>
    <span>Hello</span>
        THIS IS THE TEXT I WANT TO EXTRACT
    <span>this is some other text</span>
    <div><span>pow</span></div>
</div>

我即将尝试的是循环并删除 div 中的所有 dom 元素，这应该留下文本。但我希望有一个更优雅的方法:)

谢谢

安迪

【问题讨论】：

标签： php html dom scrape

【解决方案1】：

如果我正确阅读了您的问题，您希望获取元素的文本，但不包括子元素的文本。

使用 JavaScript，这里有一个解决方案：

http://www.stevefenton.co.uk/Content/Blog/Date/201007/Blog/Jquery-Get-Text-While-Excluding-Children/

总而言之，你会这样做......

$("#mydiv").clone().children().remove().end().text();

在 PHP（使用 phpquery）中，这将是......

$phpqueryObj = phpQuery::newDocument(DOMinnerHTML($INNERHTMLOFYOURDOMELEMENT));
$text = $phpqueryObj->clone()->children()->remove()->end()->text();

如果没有 jQuery / JavaScript，您将不得不手动执行类似的过程，即从元素的克隆版本中删除子元素，然后获取内部文本。

【讨论】：

这适用于 phpquery（我没有使用 javascript）。上帝知道怎么做 :D 但确实如此！谢谢Sohnee

【解决方案2】：

给定上下文节点，最简单的方法可能是使用 XPath。

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
//find all div nodes
foreach ($xpath->query('//div') as $div) {
   //get any immediate child text nodes
   foreach ($xpath->query('text()', $div) as $text) {
      echo "$text->nodeValue\n";
   }
}

请注意，第一个查询将返回 all 个 div，因此您必须针对所需的 div 使其更具体。

我在您的示例中测试了上面的代码，它可以工作。

【讨论】：

这个方法也可以，但是由于它的复杂性 n2（循环内循环），这可能比其他版本慢
你需要回学校了。这是 O(log n)，在最坏的情况下是 O(n)（我不知道 DOMDocument 的内部工作原理）。两个循环不会 O(n^2) 产生。我也不知道 $()、.clone()、.children()、.remove()、.end()、.text() 的内部工作原理……你怎么知道这些都不是O(n^2) 他们自己？
确实，另一个可能更复杂。对不起我的计算错误（正在考虑一个 for 循环）。请注意，尽管我仍然对您的评论进行了评分:)
您可以使用//div/text() 作为xpath 表达式来保存内部循环。
不错的 Yoshi，我发誓 xpath 是一门黑暗艺术