Question

我想获取以下HTML的<p>和<h3>标记之间的所有文字

<div class="bodyText">
  <p>
    <div class="articleBox articleSmallHorizontal channel-32333770 articleBoxBordered alignRight">
  <div class="one">
  <a  href="url" class="img"><img src="url" alt="bar" class="img" width="80" height="60" /></a>
  </div>
  <div class="two">
    <h4 class="preTitle">QIEZ-Lieblinge</h4>
    <h3 class="title"><a  href="url"  title="ABC"  onclick="cmsTracking.trackClickOut({element:this,  channel : 32333770, channelname : 'top_listen',  content : 14832081,  callTemplate : '_htmltagging.Text',  action : 'click',  mouseevent : event});">
        Prominente Gastronomen      </a></h3>
    <span class="postTitle"></span>
    <span class="district"><a href="http://www.qiez.de/berlin/top-listen" title="TOP-LISTEN in Berlin">Berlin</a></span>  </div>
  <div class="clear"></div>
</div>
I want this TEXT</p>
<h3>I want this TEXT</h3>
<p>I want this TEXT</p>
<p>
    <div class="inlineImage alignLeft">
  <div class="medium">
    <img src="http://images03.qiez.de/Restaurant+%C3%96_QIEZ.jpg/280x210/0/167.231.886/167.231.798" width="280" height="210" alt="Schöne Lage: das Restaurant Ø. (c)QIEZ"/>
    <span class="caption">
      Schöne Lage: das Restaurant Ø. (c)QIEZ    </span>
  </div>
</div>I want this TEXT</p>
<p>I want this TEXT</p>
<p>I want this TEXT<br /> </p>
<blockquote><img src="url" alt="" width="68" height="68" />
    "Eigentlich nur drei Worte: Ich komme wieder."<span class="author">Tina Gerstung</span></blockquote>
  <div class="clear"></div>
</div>

我想要所有“我想要这个文字”。我使用了xpath查询

//div[contains(@class,'bodyText')]/*[local-name()='p' or local-name()='h3']

但如果<p>标记后面跟着任何其他标记

，它就不会给我文字

Answer 1

看起来你的p元素中包含div元素是无效的并且弄乱了东西。如果在循环中使用var_dump，您可以看到它确实拾取了节点，但nodeValue为空。

对html进行快速而肮脏的修复是将包含在p元素中的第一个div包装在一个范围内。

<span><div class="articleBox articleSmallHorizontal channel-32333770 articleBoxBordered alignRight">...</div></span>

更好的解决方法是将div元素放在段落之外。

如果您使用脏的变通方法，则需要更改您的查询：

$xpath->query("//div[contains(@class,'bodyText')]/*[local-name()='p' or local-name()='h3']/text()");

如果您无法控制源html。您可以复制html并删除有问题的div：

$nodes = $xpath->query("//div[contains(@class,'articleBox')]");
$node = $nodes->item(0);
$node->parentNode->removeChild($node);

使用simple_html_dom可能更容易。也许你可以试试这个：

include('simple_html_dom.php');
$dom = new simple_html_dom();
$dom->load($html);

foreach($dom->find("div[class=bodyText]") as $parent) {
    foreach($parent->children() as $child) {
        if ($child->tag == 'p' || $child->tag == 'h3') {
            // remove the inner text of divs contained within a p element
            foreach($dom->find('div') as $e) 
                $e->innertext = '';
            echo $child->plaintext . '<br>';
        }
    }
}

Answer 2

这是混合内容。根据定义元素位置的内容，您可以使用许多因素。在这个cse中，可能只需选择所有文本节点即可：

//div[contains(@class, 'bodyText')]/(p | h3)/text()

如果处理器中不允许路径位置中的union运算符，那么您可以像以前一样使用语法，或者在我看来稍微简单一些：

//div[contains(@class, 'bodyText')]/*[local-name() = ('p', 'h3')]/text()

如果p标记后跟任何其他标记，则xpath不返回文本

2 个答案: