Question

我正在为一些非常糟糕的HTML编写自定义解析器/数据提取器。

改变HTML是不可能的。

我会饶恕你必须跳过的箍的细节，但我现在已经非常接近我最初的目标了。我正在使用DOMDocument getElementByName，正则表达式替换（我知道，我知道......）和XPath查询的组合。

我需要从文档正文中获取所有文本。我希望导航仍然是一个单独的实体，至少在摘要中。这就是我现在正在做的事情：

$contentnodes = $xpath->query("//body//*[not(self::a)]/text()|//body//ul/li/a");

foreach ($contentnodes as $contentnode) {    
    $type      = $contentnode->nodeName;
    $content   = $contentnode->nodeValue;

    $output[] = array( $type, $content);
}

这是有效的，除了当然它以不同的方式处理页面上的所有链接，我只希望它对导航执行此操作。

我可以使用哪种XPath语法，以便在该查询的第一部分中，|之前，我告诉它获取body个孩子的所有文本节点除外 ul > li > a。

请注意，我不能依赖p标签或h1标签或其他任何合理的内容来对内容进行有根据的猜测。

由于

更新：@ hr_117的答案有效。我还发现你可以使用多个not语句，如下所示：

//body//text()[not(parent::a/parent::li/parent::ul)][not(parent::h1)]

Answer 1

您可以尝试这样的事情：

//body//text()[not(parent::a/parent::li/parent::ul)]|//body//ul/li/a

Answer 2

//body//*[not(self::a/parent::li/parent::ul)]/text()[normalize-space()]|//body//ul/li/a

（test）

PHP中的XPath：获取除导航之外的所有文本节点

2 个答案: