[Erledigt] Text aus HTML extrahieren

cececo · 16.12.2011, 17:51

Ich bin mir sicher, dass es hierfür 100%ig eine Lösung gibt und diese im WWW veröffentlicht wurde. Da ich nach 4 Stunden suchen und lesen aber etwas genervt bin, hoffe ich, dass jemand von euch mir helfen kann.

Ich habe folgendes Problem:
Ich möchte den Text einer HTML-Seite analysieren. Dabei sollen bestimmte Tags komplett entfernt werden, bei anderen nur diese ersetzt werden, damit ich sie später analysieren kann.

Beispiel:

Code:

<p>Dies ist der Haupttext der Seite<br />Und hier folgt weiterer Text, der sehr wichtig ist</p>
<a href="mehr.html">Mehr Informationen&nbsp;<img src="weiter.jpg" /></a>
<h1>Heute ist folgendes passiert...</h1>Unfall auf der...

Hier hätte ich gerne nur folgendes Resultat:
|->|Dies ist der Haupttext der Seite|->|Und hier folgt weiterer Text, der sehr wichtig ist|->|Heute ist folgendes passiert...|->|Unfall auf der...

strip_tags hilft hier nicht weiter
und mit preg_replace komme ich auch nicht wirklich weiter.
Jeden unerwünschten Tag einzelt komplett zu entfernen (<a...>, <img...>) und bei jedem einzelnen gewünschten Tag (<td...>, <p...>) den Inhalt zwischen den Tags zu extrahieren halte ich für extrem aufwendig und nicht gerade für neue Tags als zukunftsweisend.

chorn · 16.12.2011, 19:43

mit Regexp kannst du doch beliebig viele Tags ziehen, nachdem du die überflüssigen entfernt hast

Code:

<.*>(.*)</.*>

Oder du guckst halt, ob das mit simplexml oder über DOM (php.net -> DOM) einlesen kannst.

cececo · 18.12.2011, 11:33

Zitat:

Zitat von chorn

mit Regexp kannst du doch beliebig viele Tags ziehen, nachdem du die überflüssigen entfernt hast

Code:

<.*>(.*)</.*>

Oder du guckst halt, ob das mit simplexml oder über DOM (php.net -> DOM) einlesen kannst.

Danke für die Antwort. Ich habe jetzt alle unnötigen Tags gelöscht und dann alle anderen zu einem Sonderzeichen verändert. Funktioniert jetzt prima.

Code:

// Links entfernen
$search = "@<a[^>]*>(.*?)<\/a>@si";
$file = preg_replace($search, ' ', $file);
// Grafiken entfernen
$search = "@<img[^>]*>@si";
$file = preg_replace($search, ' ', $file);

// </li> zu " - " umbauen
$search = "@<\/li>@si";
$file = preg_replace($search, ' - ', $file);
//Alle <br><br/><br /> entfernen
$search = "@<br[^>]*>@si";
$file = preg_replace($search, ' ', $file);
			
$search = "@<[^>]*>@si";
$file = preg_replace($search, '|>|', $file);
			
$words = explode('|>|',$file);

Themen-Optionen
Druckbare Version zeigen Jemanden per E-Mail auf dieses Thema hinweisen
Thema bewerten
Thema bewerten:

Ähnliche Themen
Thema	Autor	Forum	Antworten	Letzter Beitrag
Denkanstoß: Tabelle	Horatio	PHP Einsteiger	2	06.11.2011 18:10
Row size too large	ibeg	Datenbanken	11	01.11.2011 14:44
Bilder und Fliesstext - fpdf	tsunami	PHP Einsteiger	19	15.06.2011 18:27
Verschachtelte Auswahlfenster	RichieG	PHP Tipps 2010	3	10.03.2010 07:58
[Erledigt] CSS Problem, Links ausrichten	monk	HTML, Usability und Barrierefreiheit	7	09.03.2010 20:33
Text Ersetzen an anderer Stelle	phpde	Off-Topic Diskussionen	6	03.08.2009 20:12
Textfelder Array in Datenbank schreiben	raa	PHP Tipps 2009	16	14.03.2009 21:41
[Erledigt] url aus HTML extrahieren	dh1sbg	PHP Tipps 2008	3	03.10.2008 09:16
Scriptsuche [Erledigt] regExp: Text aus HTML extrahieren	herpes	Scriptbörse	4	15.08.2008 20:11
Hilfe bei regulärem Ausdruck (HTML Text Parsen)		PHP Tipps 2005-2	4	04.08.2005 17:19
[Erledigt] Link		PHP Tipps 2005-2	10	20.07.2005 21:28
Normaler Text und HTML Bereich		PHP Tipps 2005-2	4	02.07.2005 05:02
Daten aus Text auslesen und in Variablen extrahieren		PHP Tipps 2005-2	12	10.06.2005 08:05
[Erledigt] DIV´s wollen nicht wie ich das will :-)		HTML, Usability und Barrierefreiheit	22	28.03.2005 18:36
[Erledigt] Frage: Text abschneiden aber auf html tags achten		PHP-Fortgeschrittene	1	19.01.2005 20:46

16.12.2011, 17:51
cececo Neuer Benutzer Registriert seit: 16.12.2011 Beiträge: 16 PHP-Kenntnisse: Fortgeschritten	[Erledigt] Text aus HTML extrahieren Ich bin mir sicher, dass es hierfür 100%ig eine Lösung gibt und diese im WWW veröffentlicht wurde. Da ich nach 4 Stunden suchen und lesen aber etwas genervt bin, hoffe ich, dass jemand von euch mir helfen kann. Ich habe folgendes Problem: Ich möchte den Text einer HTML-Seite analysieren. Dabei sollen bestimmte Tags komplett entfernt werden, bei anderen nur diese ersetzt werden, damit ich sie später analysieren kann. Beispiel: Code: <p>Dies ist der Haupttext der Seite<br />Und hier folgt weiterer Text, der sehr wichtig ist</p> <a href="mehr.html">Mehr Informationen <img src="weiter.jpg" /></a> <h1>Heute ist folgendes passiert...</h1>Unfall auf der... Hier hätte ich gerne nur folgendes Resultat: \|->\|Dies ist der Haupttext der Seite\|->\|Und hier folgt weiterer Text, der sehr wichtig ist\|->\|Heute ist folgendes passiert...\|->\|Unfall auf der... strip_tags hilft hier nicht weiter und mit preg_replace komme ich auch nicht wirklich weiter. Jeden unerwünschten Tag einzelt komplett zu entfernen (<a...>, <img...>) und bei jedem einzelnen gewünschten Tag (<td...>, <p...>) den Inhalt zwischen den Tags zu extrahieren halte ich für extrem aufwendig und nicht gerade für neue Tags als zukunftsweisend.


Mister Ad PHP Code Flüsterer Registriert seit: 21.08.2005 Beiträge: 4682 PHP-Kenntnisse: Fortgeschritten

16.12.2011, 19:43
chorn Erfahrener Benutzer Registriert seit: 07.12.2009 Beiträge: 843 PHP-Kenntnisse: Fortgeschritten	mit Regexp kannst du doch beliebig viele Tags ziehen, nachdem du die überflüssigen entfernt hast Code: <.>(.)</.*> Oder du guckst halt, ob das mit simplexml oder über DOM (php.net -> DOM) einlesen kannst.