Como comentado, a melhor forma de tratar um texto HTML em PHP é utilizar a classe DOMDocument
. Você pode carregar uma página HTML em um objeto DOMDocument
da seguinte forma:
$dom = new DOMDocument();
$dom->loadHTML($html);
Sendo $html
o conteúdo do arquivo a ser analisado. Como é desejado apenas obter o conteúdo do corpo do arquivo, podemos obter o nó referente ao body
da seguinte forma:
$body = $dom->getElementsByTagName("body")->item(0);
Sendo $body
um objeto DOMNode
. É possível verificar se o elemento possui elementos filhos através do método hasChildNodes
e percorrê-los através do atributo childNodes
. Desta forma, podemos criar uma função recursiva que extrai o texto de todos os nós da página:
/**
* Obtém o texto presente em um arquivo HTML, retornando-o em forma de lista.
*
* @param DOMNode $element Elemento de onde será extraído o texto.
* @param array $texts Lista de textos previamente obtidos.
* @return array Lista de textos obtidos no elemento.
*/
function getTextsOfElements(DOMNode $element, array $texts = [])
{
// Verifica se o elemento possui elementos filhos:
if ($element->hasChildNodes()) {
// Sim, então percorre todos os elementos filhos de forma recursiva:
foreach ($element->childNodes as $e) {
// Obtém os textos dos elementos filhos:
$texts = getTextsOfElements($e, $texts);
}
} else {
// Não, então verifica se o elemento é um texto:
if ($element->nodeType == 3) {
// Sim, remove os espaços em branco:
$text = trim($element->nodeValue);
// Verifica se o texto não é vazio:
if ($text) {
// Sim, então adiciona o texto à lista:
$texts[] = $text;
}
}
}
// Retorna a lista de textos:
return $texts;
}
Assim, para obter a lista de textos, basta chamar a função passando o objeto $body
como parâmetro:
print_r(getTextsOfElements($body));
Se a entrada for a especificada na pergunta (HTML completo):
$html = '<html>
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
<div>
<div>
texto1
<a>texto2</a>
<b>texto3</b>
</div>
texto4
</div>
</body>
</html>';
A saída será:
Array
(
[0] => texto1
[1] => texto2
[2] => texto3
[3] => texto4
)
Veja funcionando no Repl.it.