PHP实现HTML拆分为单词并保留指定<span>元素的技术问询

咱们来一步步搞定这三个问题，完美实现你想要的HTML文本处理效果：

问题2：仅捕获带itemtype的<span>元素，排除其内部文本节点 #

当前的XPath同时选中了目标<span>和它内部的文本节点，导致重复输出了"Bob Ferris"。咱们只需要调整XPath表达式，排除那些父节点是带itemtype属性的<span>的文本节点：

原XPath：

.//span[@itemtype]|.//text()[normalize-space()]

修改后的XPath：

.//span[@itemtype]|.//text()[normalize-space() and not(parent::span[@itemtype])]

这个表达式的逻辑很明确：选择所有带itemtype的<span>，再选择所有非空文本节点，但刻意排除掉属于目标<span>内部的文本，这样就不会出现重复内容了。

问题1：将文本节点拆分为单个单词并去除标点 #

XPath是用来选择节点的工具，没法直接把文本节点拆分成单个单词。咱们可以在PHP里对文本节点的内容做字符串处理，用正则表达式来拆分并清理标点：

使用preg_split()，匹配任意非单词字符（\W+）来拆分，同时去掉空值：

$words = preg_split('/\W+/', trim($node->nodeValue), -1, PREG_SPLIT_NO_EMPTY);

这个正则会把文本按空格、逗号、句号等非单词字符拆分，trim()先去掉首尾空白，PREG_SPLIT_NO_EMPTY确保不会生成空的单词项，完美得到干净的单词列表。

问题3：支持访问<span>元素的属性 #

只要咱们选中的是<span>元素节点（nodeType=1），直接用$node->getAttribute()就能访问它的任意属性，比如$node->getAttribute('itemtype')或者$node->getAttribute('itemscope')，完全没有障碍。

完整实现代码 #

把以上三点整合起来，完整的可运行代码如下：

$html = '<html><body> <h1>My header</h1> <p>A test <b>paragraph</b> with <span itemscope itemtype="http://schema.org/Person">Bob Ferris</span> a person.</p> </body></html>';
$dom = new DOMDocument();
// 禁用HTML结构不规范时的错误提示
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

$xpath = new DOMXpath($dom);
// 使用修改后的XPath表达式
$nodes = $xpath->query('.//span[@itemtype]|.//text()[normalize-space() and not(parent::span[@itemtype])]');

foreach($nodes as $node) {
    if ($node->nodeType === XML_ELEMENT_NODE) {
        // 处理<span>元素
        echo "元素节点：" . $node->nodeValue . "<br>";
        // 访问属性示例
        echo "  itemtype属性：" . $node->getAttribute('itemtype') . "<br>";
    } elseif ($node->nodeType === XML_TEXT_NODE) {
        // 处理文本节点，拆分为单词
        $words = preg_split('/\W+/', trim($node->nodeValue), -1, PREG_SPLIT_NO_EMPTY);
        foreach ($words as $word) {
            echo "单词：" . $word . "<br>";
        }
    }
}

输出结果： #

单词：My
单词：header
单词：A
单词：test
单词：paragraph
单词：with
元素节点：Bob Ferris
  itemtype属性：http://schema.org/Person
单词：a
单词：person

内容的提问来源于stack exchange，提问作者Phil Gyford