lectura de código html con php

#1 (**permalink**) 07/11/2009, 06:23

Hola!!

Necesito hacer un script que me dé la información de los distintos párrafos de un documento html, fuente, tamaño, texto que hay en el párrafo...

Me he liado en la parte de obtener el texto del párrafo. Por ejemplo en el siguiente párrafo quisiera obtener--> Nota: con fecha de hoy y por correo certificado enviamos positivos y fotocromos.

Cita:

Nota: con fecha de
hoy y por correo certificado enviamos positivos y fotocromos.<o:p></o:p>

He hecho un script php para obtener ese texto:

Cita:

for($j=70;$j<=$lineas;$j++) {

if(ereg("<p",$array[$j])) {

$inicio=$j;
}
if(ereg("</p",$array[$j])) {
$final=$j;

while($inicio<$final){
$array[$inicio+1]=$array[$inicio].$array[$inicio+1];
$inicio=$inicio+1;
}

$texto[$cont_texto] = $array[$inicio];
$texto[$cont_texto] = ereg_replace("style="," ",$texto[$cont_texto]);
$texto[$cont_texto] = strtolower(ereg_replace("'mso-bidi-font-weight:normal'>","",$texto[$cont_texto]));

echo $texto[$cont_texto];

$cont_texto=$cont_texto+1;

}
}

con este script voy leyendo el contenido de cada párrafo. El problema es que al llamar a la variable me muestra el texto en pantalla con FORMATO ya que el navegador interpreta el código html.

De forma un poco chapucera le he metido un ereg_replace para quitar algunas etiquetas y que no interprete el código. Funciona, el problema ahora es que quiero limitar el texto que sale en pantalla, para que sólo salgan determinado número de caracteres.
En el ejemplo para que salga sólo las 3 primeras palabras seguidas de puntos suspensivos--> Nota: con fecha...
He probado a hacerlo con substr pero no funciona ya que interpreta el código html, así que no sé muy bien como hacerlo. Si me podeis ayudar os lo agradezco

abimaelrc · #2 (**permalink**) 07/11/2009, 06:26

¿Haz tratado de quitar lo que sea html y solo obtengas el texto? Lo puedes hacer usando strip_tags. Tambien te sugiero que no uses los que empiezan con ereg estan obsoletos, si no que uses los que empienzan con preg.

#3 (**permalink**) 07/11/2009, 06:40

Cita:

Iniciado por abimaelrc

¿Haz tratado de quitar lo que sea html y solo obtengas el texto? Lo puedes hacer usando strip_tags. Tambien te sugiero que no uses los que empiezan con ereg estan obsoletos, si no que uses los que empienzan con preg.

Hola abimaelrc,

Gracias eres un crack!!

Ahora sólo me queda dividir el texto. Sabes si lo podría hacer con una función tipo explode?

abimaelrc · #4 (**permalink**) 07/11/2009, 06:42

Pero te diste la respuesta, con explode lo puedes hacer.

#5 (**permalink**) 07/11/2009, 07:39

Cita:

Iniciado por abimaelrc

Pero te diste la respuesta, con explode lo puedes hacer.

Es que todavía tengo un pequeño problema. En un párrafo como este:

Cita:

Papel: offset modelo
Austral, 70
x 100 de <st1:metricconverter ProductID="28 Kg" w:st="on">28 Kg</st1:metricconverter>.
la resma<o:p></o:p>

Obtengo el texto de la siguiente manera:

Papel: .................................................. ............... offset (los puntos representan espacios)

Es decir los espacios en blanco que hay entre etiquetas de código html me las coge. Como puedo hacer para evitar ese problema??

Gracias

abimaelrc · #6 (**permalink**) 07/11/2009, 08:02

Bueno primero pasa por strip_tags la variable y luego con explode divides el resto.

Código PHP:

  $var = "<p>algo</p><br /><a href='link.html'>algo</a>";
$var = strip_tags($var);
$var = explode($var);
print_r($var);

#7 (**permalink**) 07/11/2009, 08:41

Cita:

Iniciado por abimaelrc

Bueno primero pasa por strip_tags la variable y luego con explode divides el resto.

Código PHP:

  $var = "<p>algo</p><br /><a href='link.html'>algo</a>";

$var = strip_tags($var);

$var = explode($var);

print_r($var);

Si, gracias es así como lo tenía. Pero el problema está es que en el código html a veces hay espacios entre las etiquetas me explico:

$var = "algo <a href='link.html'>algo................</a>";

donde los puntos significan espacios en blanco, y lo único que quiero que la variable capture es el texto "algo" sin los espacios. No sé si me explico

abimaelrc · #8 (**permalink**) 07/11/2009, 08:54

Pero cuando haces el explode lo puedes hacer por los espacios,

Código PHP:

  $var = "<p>algo</p><br /><a href='link.html'>algo</a>"; 
$var = strip_tags(" ",$var); 
$var = explode(" ",$var); 
for($i=0;$i<count($var);$i++){
  if(!empty($var[$i])){
    echo $var[$i]."<br />";
  }
}

#9 (**permalink**) 07/11/2009, 14:56

Gracias amigo por responder. El tema es que los espacios que hay entre dos etiquetas no me los interpreta. Por ejemplo, con este código:

Código codigo:

Ver original<p class=MsoNormal style='line-height:130%;tab-stops:3.0cm center 184.3pt right 375.65pt'><span
style='font-family:"Times New Roman";mso-bidi-font-family:Arial'>Cubierta:<span
style='mso-tab-count:1'>                      </span>Cartulina Ibiza,<span
style='mso-tab-count:2'>                                                      </span>70
x 100 de <st1:metricconverter ProductID="150 Kg" w:st="on">150 Kg</st1:metricconverter>.
la resma <o:p></o:p></span></p>

entre las etiquetas y hay una tabulación o espacios en blanco que no los consigo quitar de ninguna manera.

Así obtendría:

Código codigo:

Ver originalCubierta: .................................................    Cartulina Ibiza,  ......................................................... 70 x 100 de 150Kg (los puntos es el espaciado entre etiquetas)
 
Y lo que quiero es:
 
Cubierta: Cartulina Ibiza, 70 x 100 de 150 Kg

Alguna idea?

Nisrokh · #10 (**permalink**) 08/11/2009, 01:41

Tambien lo que podes hacer es utilizar DOMDocument, pero pr el html que veo es muy desordenado... o sea, veo atributos sin comillas... y eso no se si te ocasionara errores... pero con DOM, vas a poder obtener el valor de cada parrafo, atributos,etc.

Saludos