simple_html_dom 删除,解决simple_html_dom 使用innertext抓取文章,\n换行符丢失问题 保留code换行符...

上一篇文章写了如何在Laravel中使用simple_html_dom爬取文章，在实际使用中遇到了一个问题。

问题

在使用innertext获取正文内容时，\n 标签被自动删除，尤其是获取pre中code，爬过来文章一片混乱。

解决方案

首先确定原文中确实是存在\n标签的，然后我看了一下 file_get_html 的源码。

在 file_get_html 的源码调用中，有一个$stripRN参数，默认$stripRN=true，是用来控制是否删除 \n 标签的，把这个参数的默认值改成 false ，问题解决。

部分源码：function file_get_html($url, $use_include_path = false, $context=null, $offset = -1, $maxLen=-1, $lowercase = true, $forceTagsClosed=true, $target_charset = DEFAULT_TARGET_CHARSET, $stripRN=false, $defaultBRText=DEFAULT_BR_TEXT, $defaultSpanText=DEFAULT_SPAN_TEXT)

{

// We DO force the tags to be terminated.

$dom = new simple_html_dom(null, $lowercase, $forceTagsClosed, $target_charset, $stripRN, $defaultBRText, $defaultSpanText);