[PHP] 태그 사이의 텍스트 추출 정규식 (HtmlDomParser)

일을 하다가 특정 태그 사이의 텍스트를 추출 해야할 필요가 생겼다.

p태그 사이에 있는 텍스트를 추출 해야하는데 p태그에 있는 클래스와 인라인 스타일 코드가 제각각이었고

p태그 안에 span태그가 또 껴있는 경우를 발견하였다.

 

1. HtmlDomParser를 이용해 본문 html을 추출

2. 정규식을 통해 p태그 추출

3. p태그 사이에 있는 태그 제거

 

// $html은 본문
// 본문의 html을 추출한다.
$body_obj = HtmlDomParser::str_get_html($html);.
// html을 문자열로 받는다.
$html = $body_obj->outertext;

// 텍스트 변수
$text = '';

// 줄바꿈 변수
$crlf = "\n";

// html요소들 중 p태그만 추출
$p_tags = $body_obj->find('p');

// $p_tag가 배열 이기 때문에 반복문으로 텍스트만 추출
foreach ($p_tags as $str) {
  $inner_text = $str->innertext;
  $inner_text = strip_tags($inner_text);
  $text .= sprintf('%s%s', $inner_text, $crlf);
}

if ($text !== '') {
	// 텍스트가 있는경우 본문으로 활용
  	$_body = $text;
} else {
    // p태그가 통째로 지워질 경우
    // 정규식으로 본문에서 p태그를 찾는다.
    preg_match_all('/<p(.*?)>(.*?)<\/p>/i', $html, $p_match);
    
    foreach ($p_match[0] as $_p => $p_tag) {
    	// html로 요소들로 추출
    	$p_object = HtmlDomParser::str_get_html($p_tag);
        // p태그를 찾는다.
    	$_p = $p_object->find('p');
        // p태그를 문자열로 받는다.
        $inner_text = $_p[0]->innertext;
        // p태그 사이에 또 어떤 태그들이 있을 수 있으므로 strip_tags로 제거한다.
        $text .= sprintf('%s%s', strip_tags($inner_text), $crlf);
    }
    $_body = $text;
}