使用php從網站/ html頁面獲取所有可翻譯的文本

Question

我試圖設置一個翻譯工具來翻譯網站。我想要做的是導入html-code並從該網站獲取所有可翻譯的文本。

一個想法是使用strip_tags，但它會忽略可以被翻譯的字符串，如alt-texts，標題文本和其他可能我還沒有想到的其他字符。有沒有一種乾淨的方式來做到這一點？

Answer 1

在這種情況下，您需要解析HTML並自行提取文本。正如你可能已經知道的那樣，用正則表達式解析HTML是A Bad Idea (tm)。所以，唯一正確的解決方案是解析文檔的DOM。在這一步中，您可以自由使用任何工具，包括標準DOMDocument類。

如果您正在尋找一些圖書館或腳本來幫助，我會建議看看html2text這可以用於商業。正如我所看到的，它不支持<img>標記的屬性，但它很容易修復（使用<a>標記作爲示例）。

如果你正在尋找一些自動文本提取，那麼你應該看看像Bolierpipe這樣的東西。

Answer 2

我會親自使用Symfony2中的DOM Crowler component，這是一個很好的PHP DOM函數封裝，並從那裏開始。