PHPを使用してHTMLドキュメントのボディテキストを抽出する

StackOverflow https://stackoverflow.com/questions/4910975

質問

この目的のためにDOMを使用する方が良いことはわかっていますが、このようにテキストを抽出してみましょう。

<?php


$html=<<<EOD
<html>
<head>
</head>
<body>
<p>Some text</p>
</body>
</html>
EOD;


        preg_match('/<body.*?>/', $html, $matches, PREG_OFFSET_CAPTURE);

        if (empty($matches))
            exit;

        $matched_body_start_tag = $matches[0][0];
        $index_of_body_start_tag = $matches[0][1];

        $index_of_body_end_tag = strpos($html, '</body>');


        $body = substr(
                        $html,
                        $index_of_body_start_tag + strlen($matched_body_start_tag),
                        $index_of_body_end_tag - $index_of_body_start_tag + strlen($matched_body_start_tag)
        );

echo $body;

結果はここで見ることができます： http://ideone.com/vh2fz

ご覧のとおり、私は予想以上に多くのテキストを受け取っています。

正しい長さを得るために、私が理解していないものがあります substr($string, $start, $length) 関数、私は使用しています：

$index_of_body_end_tag - $index_of_body_start_tag + strlen($matched_body_start_tag)

この式に何も悪いことはありません。

誰かが問題がどこにあるかを親切に提案できますか？

皆さんに感謝します。

編集：

みなさん、ありがとうございました。私の脳にはバグだけがあります。あなたの答えを読んだ後、私は今、問題が何であるかを理解しました、それは次のとおりです。

  $index_of_body_end_tag - ($index_of_body_start_tag + strlen($matched_body_start_tag));

または：

  $index_of_body_end_tag - $index_of_body_start_tag - strlen($matched_body_start_tag);

正しい解決策はありません

ライセンス： CC-BY-SA と 帰属
所属していません StackOverflow
scroll top