Parser HTML

Veehmot · #1 (**permalink**) 06/08/2006, 19:06

Bueno, el problema es el siguiente.
Necesito poder abrir una pagina HTML (pongamos algo facil, lo abro con fread()), y despues de ahi obtener valores especificos de esa pagina.

Ejemplo, tengo esta pagina.

Llamemosla test.html

Código:

<html>
<head>
<title>Mi Titulo</title>
</head>
<body>
<h1 id="logo">El logo mas raro</h1>
<div class="content">Texto y mas texto</div>
</body>
</html>

Lo que necesito es, una vez obtenido el contenido de esa pagina, y almacenado en una variable string o una variabla array, necesito obtener los datos que tiene la pagina, en este caso, Mi Titulo, El logo mas raro y Texto y mas texto.
Creo que con XML lo podria hacer.. o con un parser, pero no estoy muy seguro.
Bien podria obtener lo que necesito con las regexp, pero creo que hay un sistema mas comodo, asi por ejemplo, si agregan una etiqueta HTML <h2> antes del <div>, no habria problemas.

Bueno, espero que hayan entendido y les agradezco de antemano.
Espero que respondan.. porque hace mucho que no responden tan seguido, saludos!

Nigel · #2 (**permalink**) 06/08/2006, 20:18

Igual te sirve de algo ver la implementación del DOM en PHP => http://es2.php.net/manual/es/ref.domxml.php

Veehmot · #3 (**permalink**) 07/08/2006, 14:53

Encontre esto php-html.sourceforge.net/ que en parte me facilita lo que quiero hacer.

pato_volador · #4 (**permalink**) 07/08/2006, 15:40

Si quieres puedes filtrar todas las etiquetas HTML, para dejar unicamente el texto, o bien, las etiquetas que tu desees usando la funcion strip_tags
supongamos que tienes todo el codigo HTML en una variable string

Código PHP:

   
$cadena_completa = '  
<html> 
<head> 
<title>Mi Titulo</title> 
</head> 
<body> 
<h1 id="logo">El logo mas raro</h1> 
<div class="content">Texto y mas texto</div> 
</body> 
</html>' ; 
 
$texto_filtrado=strip_tags($cadena_completa); 
 
echo $texto_filtrado;

Lo unico es que el resultado lo obtendras asi:

Código:

Mi Titulo El logo mas raro Texto y mas texto

Puedes mantener las etiquetas que tu quieras de la siguiente manera:

Código PHP:

  $cadena_completa = '  
<html> 
<head> 
<title>Mi Titulo</title> 
</head> 
<body> 
<h1 id="logo">El logo mas raro</h1> 
<div class="content">Texto y mas texto</div> 
</body> 
</html>' ; 
 
$texto_filtrado=strip_tags($cadena_completa,'<P> <STRONG> <BR> <EM> <LI>'); 
 
echo $texto_filtrado;

Con eso filtras todas las etiquetas HTML, excepto <P> , <STRONG> etc...

La funcion tambien sirve para filtras codigo php

Saludos!