使用 PHP 获取 HTML 输出（清理后的文本）答案

【问题标题】：Get HTML output (cleaned text) with PHP使用 PHP 获取 HTML 输出（清理后的文本）
【发布时间】：2011-04-06 20:21:28
【问题描述】：

你知道是否有任何函数 (PHP) 可以清理一些 HTML 代码（通过 cURL 获得）并过滤可见文本（浏览器将显示的文本）。谢谢

【问题讨论】：

我假设您正在计算 HTML 文件中的任何文本，因为找出实际可见的文本将非常困难（CSS 显示：无；或只是覆盖它的东西）

【解决方案1】：

这比你想象的要难。一个明显的简单解决方案是在其上运行 strip_tags() ，但这只会删除标签并保持所有文本内容不变，包括嵌入的 javascript 和 CSS，以及通常隐藏的元素内的所有文本（例如，通过设置 display: none在他们）。您可以尝试一些正则表达式魔术来过滤掉您不感兴趣的部分，但 HTML 上的正则表达式对于任何重要的事情通常都是一个坏主意。恐怕最终的解决方案是使用适当的 HTML 解析器，然后将实际文本从生成的 DOM 树中提取出来——当你拥有它时，你将非常接近实现 Web 浏览器。

【讨论】：

谢谢，我会在运行 strip_tags() 之前尝试删除 java 和 css :-)
我希望你的意思是 javascript。 Java 是完全不同的东西。

【解决方案2】：

看看strip_tags()：

http://us.php.net/manual/en/function.strip-tags.php

【讨论】：

现在我记得为什么我最初停止为这个网站做贡献了。只用了 30 分钟，就重新发现了过度热心的否决选民所造成的挫败感。

【解决方案3】：

如果您实际上只是“清理”代码，那么solution like TIDY could be your answer。

Some solutions like this 将允许您提取纯文本并可能减轻您的痛苦。

但是，“全面”解析是另一回事，您最好熟悉您的正则表达式。

【讨论】：

经过一些改进的 strip_tags 函数应该可以很好地工作。谢谢