提取文本

Question

我有以下腳本，除了兩件事情，作品幾乎罰款：

• 我仍然有unknows標記，如<note>，<to>，或者<?xml version="1.0" encoding="ISO-8859-1"?>
• 我也有JavaScript的腳本，我試圖用//text()[not(self::script)]它們排除在外，但這打破了XPath的

腳本：

$contents = file_get_contents("http://www.w3schools.com/php/php_xml_dom.asp"); 
$dom = new DOMDocument(); 
@$dom->loadHTML($contents); 
$dom->preserveWhiteSpace = false; 
$xpath = new DOMXPath($dom); 
// see http://www.w3schools.com/xpath/xpath_syntax.asp 
$hrefs = $xpath->evaluate("//text()"); 
for ($i = 0; $i < $hrefs->length; $i++) 
    echo $hrefs->item($i)->nodeValue; 

您是否有更好的解決方案從網頁中提取文本？

注：我可以簡單地使用strip_tags，但我想堅持使用DOMDocument。

Answer 1

我一直使用這個http://simplehtmldom.sourceforge.net/和每一次成功。