DOM xpath 查找#text 节点并包含在段落标记中

Posted 2023-03-05

技术标签:

【中文标题】DOM xpath 查找#text 节点并包含在段落标记中【英文标题】：DOM xpath to find #text nodes and wrap in paragraph tag 【发布时间】：2013-03-11 06:14:24 【问题描述】：

我想找到所有根级#text 节点（或具有 div 父级的节点），这些节点应包含在 <p> 标记内。在下面的文本中应该有三个（甚至只有两个）最终根<p> 标签。

<div>
    This text should be wrapped in a p tag.
</div>

This also should be wrapped.

<b>And</b> this.

这个想法是更好地格式化文本，以便将文本块分组为 html 显示的段落。但是，我一直在研究的以下 xpath 似乎无法选择文本节点。

    <?php

$html = '<div>
    This text should be wrapped in a p tag.
</div>

This also should be wrapped.

<b>And</b> this.';

libxml_use_internal_errors(TRUE);

$dom = DOMDocument::loadHTML($html);

$xp = new DOMXPath($dom);

$xpath = '//text()[not(parent::p) and normalize-space()]';

foreach($xp->query($xpath) as $node) 
    $element = $dom->createElement('p');
    $node->parentNode->replaceChild($element, $node);
    $element->appendChild($node);


print $dom->saveHTML();

【问题讨论】：

如果您还想选择divs 之外的文本节点，为什么还要将//div 放在XPath 表达式中？ This fiddle 似乎在做你想做的事。你能告诉我我上面发布的解决方案有什么问题吗？是否要将带有换行符的文本转换为多个段落？ @nwellnhof，你的解决方案很好——但这不是答案，所以我不能奖励你任何东西。 @nwellnhof，太棒了！谢谢！ 【参考方案1】：

好的，所以让我重新表述我的评论作为答案。如果要匹配所有文本节点，只需从 XPath 表达式中删除 //div 部分。于是就变成了：

//text()[not(parent::p) and normalize-space()]

【讨论】：

这将如何与<div>this text is ok</div>But how about <b>this</b>?一起工作？【参考方案2】：

您的场景有许多边缘情况，并且应该这个词被添加到顶部。我假设你想做经典的双中断开始一个新段落的事情，但是这次在父<div>（或者当然是其他块元素）中也是如此。

我会让 HTML 解析器完成大部分工作，但我仍然会使用文本搜索和替换（在 xpath 旁边）。所以你会看到接下来的内容有点老套，但我认为相当稳定：

首先，我会选择所有属于该 div 的***或子级的文本节点。

(.|./div)/text()

此 xpath 与 anchor 元素相关，该元素是 <body> 标记，因为它表示加载到 DOMDocument 时的 HTML 片段的根标记。

如果是 div 的子元素，那么我会在开头插入起始段落。

然后在任何情况下，我都会在开始新段落的序列的每次出现处插入一个断标记（这里以注释的形式）（由于空白规范化，应该是"\n\n"，我可能是错的并且如果它不适用，您需要预先进行空白规范化以使其透明地工作）。

/* @var $result DOMText[] */
$result = $xp->query('(.|./div)/text()', $anchor);

foreach ($result as $i => $node)

    if ($node->parentNode->tagName == 'div')
    
        $insertBreakMarkBefore($node, true);
    

    while (FALSE !== $pos = strpos($node->data, $paragraphSequence))
    
        $node = $node->splitText($pos + $paragraphSequenceLength);
        $insertBreakMarkBefore($node);

这些插入的断点只是用 HTML <p> 标记替换。 HTML 解析器会将它们转换成足够的<p>...</p> 对，这样我就可以省出自己编写该算法的时间（尽管这可能很有趣）。这基本上就像我曾经在其他答案中概述的那样工作，但我再也找不到链接了：

<body>

"<p>"

<p>...</p>

DOMDocument

这些在代码中概述的步骤（暂时跳过一些函数定义）：

$needle  = sprintf('%1$s<!--%2$s-->%1$s', $paragraphSequence, $paragraphComment);
$replace = sprintf("\n<p class=\"%s\">\n", $paragraphComment);
$html    = strtr($innerHTML($anchor), array($needle . $needle => $replace, $needle => $replace));

echo "HTML afterwards:\n", $innerHTML($loadHTMLFragment($html));

如图所示，双序列替换为单序列。可能最后一个也需要删除（如果适用，您也可以在此处修剪空白）。

最终的 HTML 输出：

<div>
<p class="break">

    This text should be wrapped in a p tag.
</p>
</div>
<p class="break">
This also should be wrapped.
</p>
<p class="break">
<b>And</b> this.</p>

更多的后期制作以获得良好的输出格式也很有用。实际上我认为这样做是值得的，因为它可以帮助您调整算法（Full Demo - 只是看到，空白规范化可能不适用于那里。所以小心使用）。

【讨论】：

很好的解释，但是，您的演示似乎并没有真正达到这个结果。正如最后所写的，这是因为缺少空白规范化。确保输入使用\n 作为行分隔符，键盘似乎使用\r\n 或类似的东西，这就是你看到它不同的原因。我可以稍后再次检查，我只是注意到当我将它粘贴到那里时，代码在我自己的盒子上有效。所以你自己试试吧，它可能已经在你的盒子上工作了。【参考方案3】：

如果您愿意，可以使用纯 javascript 来实现：

var content = document.evaluate(
                                      '//text()', 
                                      document, 
                                      null, 
                                      XPathResult.ORDERED_NODE_SNAPSHOT_TYPE, 
                                      null );

for ( var i=0 ; i < content .snapshotLength; i++ )
  console.log( content .snapshotItem(i).textContent );

【讨论】：

【参考方案4】：

我知道这不是 xpath，但请检查一下：

PHP 简单 HTML DOM 解析器

http://simplehtmldom.sourceforge.net/

特点

用 PHP5+ 编写的 HTML DOM 解析器让您以非常简单的方式操作 HTML！

支持无效的 HTML。

使用类似于 jQuery 的选择器在 HTML 页面上查找标签。

在一行中从 HTML 中提取内容。

【讨论】：

请在您的回答中说明它如何与该库一起使用，否则这只是部分相关（就我个人而言，该库是一个糟糕的建议，现在 PHP 已经内置了该库的所有内容提供，PHP Simple HTML DOM Parser 库最初是为 PHP 4 编写的，没有基于 libxml 的扩展，因为它们目前不存在。