如何使用 PHPs DomDocument 获取元素和内容结构？

Question

假设我想根据页面的元素和内容结构实现自动字体请求优化，我如何使用 PHPs DomDocument 获取所需的信息？

这个问题可以用两个结构例子来概括说明：

示例 1

<p><em>All italic paragraph text</em></p>

示例 2

<p>Normal paragraph text <em>and some italic text</em></p>

两个示例中的元素结构相同，即段落元素带有  子元素。但是，内容结构不同：示例 1 中的所有文本都是斜体，但示例 2 中既有普通文本也有斜体文本。

我目前获取元素结构的方法是这样的：

$dom = new DOMDocument;
foreach ($dom->getElementsByTagName('p') as $elm) {
    $elms[] = $dom->saveHTML($elm);
}

然后我将遍历元素并使用相同的方法查找嵌套元素，例如  和 。

但是我需要一个好的内容结构方法。我想我可以用  和  拆分文本，看看结果列表中的第一个和最后一个元素是否有长度，但这让我想起了使用正则表达式进行自定义 HTML 搜索，这似乎是这里最不推荐的方法。

但是在这种情况下我有什么选择呢？

Answer 1

您可以使用 DOMXPath 来查找各个文本节点：

$html = "<p>Normal paragraph text <em>and some italic text</em></p>";

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXpath($dom);
$textNodes = $xpath->query("//text()");
$elms = [];
foreach ($textNodes as $elm) {
    $elms[] = array(
        "parent" => $elm->parentNode->tagName,
        "path" => $elm->parentNode->getNodePath(),
        "text"   => $elm->textContent
    );
}

$elms 将包含：

array (
  array (
    'parent' => 'p',
    'path' => '/html/body/p',
    'text' => 'Normal paragraph text ',
  ),
  array (
    'parent' => 'em',
    'path' => '/html/body/p/em',
    'text' => 'and some italic text',
  ),
)

如何使用 PHPs DomDocument 获取元素和内容结构？

How to get both element and content structure using PHPs DomDocument?

html

php

parsing

structure

domdocument