我有一些包含重要文本的随机HTML布局需要提取。我不能只使用strip_tags()，因为这会留下来自侧边栏/页脚/页眉等的大量额外垃圾。
我在Python中找到了一个方法，想知道PHP中是否有类似的东西。
概念相当简单：使用文本与HTML代码密度的信息来确定是否值得输出一行文本。（这不是一个新颖的想法，但它有效！）基本过程如下：
- 解析HTML代码并跟踪处理的字节数。
- 按行或段落存储文本输出。
- 将每个文本行与描述它所需的HTML字节数相关联。
- 通过计算文本t> o字节的比率来计算每行的文本密度。
- 然后使用神经网络决定该行是否属于内容。
仅通过检查行的密度是否高于固定阈值（或平均值），您就可以获得相当不错的结果，但如果使用机器学习，则系统会犯更少的错误-更不用说实现起来更容易了！
更新：我为可以从随机HTML模板中提取主要内容的答案发起了悬赏。由于我无法分享我将使用的文档-只需选择任何随机博客网站并尝试从布局中提取正文文本。请记住，页眉、侧边栏和页脚也可能包含文本。有关想法，请参见上面的链接。
- phpQuery 是基于 jQuery JavaScript 库的一种服务器端可链接、CSS3 选择器驱动的文档对象模型 (DOM) API。
更新2
#sidebar, #header, #footer, #comments, 等等..script, iframe 的小部件/\d+\scomment(?:[s])/im/(read the rest|read more).*/im/(?:.*(?:by|post|submitt?)(?:ed)?.*\s(at|am|pm))/im/[^a-z0-9]+/im搜索常见的类和id：
.entry-content.post-entry .entry .post.post.post-body .entry-content.content.post.journal-entry-text.entrygawker.com .post-body
参考： 前100个博客使用的博客平台
$selectors = array('.post-body','.post','.journal-entry-text','.entry-content','.content');
$doc = phpQuery::newDocumentFile('http://blog.com')->find($selectors)->children('p,div');
我可以帮您进行翻译。以下是需要翻译的内容：
基于常见的HTML结构进行搜索，如下所示：
<div>
<h1|h2|h3|h4|a />
<p|div />
</div>
$doc = phpQuery::newDocumentFile('http://blog.com')->find('h1,h2,h3,h4')->parent()->children('p,div');
Domdocument 可以用于解析 HTML 文档，然后可以通过 PHP 进行查询。
编辑：wikied
loadHTML()加载内容，则甚至可以相当好地解析无效的HTML。 - Xeoncross我之前曾经参与过一个类似的项目。虽然不如Python脚本复杂，但是它能很好地完成任务。你可以去看看"Simple HTML PHP Parser"。
textNode 值（或者在 simpleHTMLDOM 中文本节点的名称是什么）。如果它与您的搜索模式匹配，则提取整个包括子元素的元素。这是我能想到的唯一方法...但是，还有其他替代 SimpleHTMLDOM 的方法，请参见 https://dev59.com/EnA65IYBdhLWcg3w4C-j#3577662 - Pekka我开发了一个HTML解析和过滤PHP包，可用于此目的。
它由一组类组成，可以链接在一起执行一系列HTML/XML代码的解析、过滤和转换操作。
它旨在处理真实世界中的页面，因此它可以处理格式不正确的标签和数据结构，以尽可能保留原始文档。
它附带的一个过滤器类可以进行DTD验证。另一个可以丢弃不安全的HTML标签和CSS，以防止XSS攻击。还有另一个简单地提取所有文档链接。
所有这些过滤器类都是可选的。您可以按照自己的想法将它们链接在一起，如果需要的话。
所以，为了解决您的问题，我认为PHP中没有特定的解决方案，但是可以为此开发一个特殊的过滤器类。看看这个包。它有详细的文档。
如果您需要帮助，请查看我的个人资料并给我发送邮件，我甚至可以开发出完全符合您需求的过滤器，或者借鉴其他语言中已有的解决方案。
根据您的HTML结构以及是否有ID或类别，您可以使用preg_match()来获取特定开始和结束标记之间的任何信息，这意味着您应该知道如何编写正则表达式。
您还可以查看浏览器仿真PHP类。我已经为页面抓取做过这个，并且它可以很好地工作，具体取决于DOM的格式化程度。我个人喜欢SimpleBrowser
http://www.simpletest.org/api/SimpleTest/WebTester/SimpleBrowser.html
$text = exec("python -m ...")，要么使用在线服务http://boilerpipe-web.appspot.com/。 - mario