代码之家 › 专栏 › 技术社区 › Laurent

从HTML中提取文本,翻译并放回原处

text-parsing html-parsing php

0

Laurent · 技术社区 · 6 年前

我正在使用一个API来翻译我的博客,但是有时候它会把我的HTML搞得一团糟,这样我就可以做更多的工作来修复所有的问题。

我现在要做的是从HTML中提取内容,翻译并将其放回原来的位置。

我首先尝试使用preg_replace来实现这一点,在这里我将用一个数字来替换每个标记,然后在翻译完文本后恢复到原始标记。不幸的是,很难管理,因为我需要用一个唯一的值替换每个标记。

然后我尝试使用“简单HTML DOM”,可以在这里找到: http://simplehtmldom.sourceforge.net/manual.htm

$html = str_get_html($content);
$str = $html;
$ret = $html->find('div');
foreach ($ret as $key=>$value)
    {  
        echo $value;
    }

这样我可以得到所有的文本,但是值(DIV内部的DIV)中仍然有一些HTML,我不知道如何将翻译后的文本放回原始对象中。这个对象的结构非常复杂,在显示它时,它会使我的浏览器崩溃。

我已经没有选择了,可能还有更直接的方法。我想找到的是一种方法,可以得到一个对象或数组,其中一边包含所有HTML,另一边包含所有文本。我将循环浏览文本,以便翻译它,并将所有内容合并回去,以避免破坏HTML。

你看到更好的选择来实现这一点吗?

谢谢劳伦特

2 回复 | 直到 6 年前

1

Victor 6 年前

例如,我有以下HTML,其中所有的单词都是小写的:

<div>
    <h2>page not found!</h2>
    <p>go to <a href="/">home page</a> or use the <a href="/search">search</a>.</p>
</div>

我的任务是将文本转换为大写单词。为了解决这个问题,我提取所有文本节点并使用 ucwords 函数(当然,您应该使用翻译函数而不是它)。

libxml_use_internal_errors(true);
$dom = new DomDocument();
$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

foreach ($xpath->query('//text()') as $text) {
    if (trim($text->nodeValue)) {
        $text->nodeValue = ucwords($text->nodeValue);
    }
}

echo $dom->saveHTML();

以上输出如下:

<div>
    <h2>Page Not Found!</h2>
    <p>Go To <a href="/">Home Page</a> Or Use The <a href="/search">Search</a>.</p>
</div>

2

1

Henry 6 年前

<div>
   <p>
        This text is for translating<br>
        Next line of text
   </p>
</div>

如果将HTML字符串分解为在“<”上拆分的数组,将导致此数组:

Array
(
[0] => 

[1] => div>

[2] => p>
        This text is for translating
[3] => br>
        Next line of text

[4] => /p>

[5] => /div>

)

然后拆分“>”上的每个数组项。这个数组中的第一项是标记。如果有的话,每一个项目都有翻译的内容。

当转换完成后,您可以通过再次将数组项粘贴回去来反转它。