從HTML頁面中提取所有文本而不會丟失上下文

Question

對於翻譯程序，我試圖從HTML文件中獲取95％準確的文本，以便翻譯句子和鏈接。

例如：

<div><a href="stack">Overflow</a> <span>Texts <b>go</b> here</span></div> 

應該給我2個結果翻譯：

Overflow 

Texts <b>go</b> here 

任何可以解決此問題的建議或商業包裝？

Answer 1

我不完全確定你在問什麼，但看看simplehtmldom。具體來說，在該首頁的快速啓動下的「從HTML提取內容」標籤（不能直接鏈接，嘆息）。有了這個，你可以提取一個網站的文本，沒有所有討厭的標籤。