up

2026-04-25 14:57:54 -05:00
parent fa1f4bc581
commit f71e009641
2 changed files with 43 additions and 9 deletions
@@ -106,14 +106,25 @@ class BancolombiaParser
    }

    /**
-     * Elimina etiquetas HTML y decodifica entidades.
+     * Elimina completamente bloques <style>, <script>, <head> y luego
+     * convierte etiquetas estructurales en saltos de línea antes de strip_tags.
     */
    private static function stripHtml(string $text): string
    {
-        // Reemplazar <br>, <p>, <div>, <tr>, <li> con salto de línea para preservar estructura
-        $text = preg_replace('/<(br\s*\/?|\/p|\/div|\/tr|\/li)>/i', "\n", $text);
+        // Eliminar bloques cuyo contenido no es texto visible
+        $text = preg_replace('/<style[^>]*>.*?<\/style>/si', '', $text);
+        $text = preg_replace('/<script[^>]*>.*?<\/script>/si', '', $text);
+        $text = preg_replace('/<head[^>]*>.*?<\/head>/si', '', $text);
+
+        // Convertir etiquetas estructurales a saltos de línea
+        $text = preg_replace('/<(br\s*\/?\s*|\/p|\/div|\/tr|\/li|\/td)>/i', "\n", $text);
+
+        // Quitar todas las etiquetas restantes
        $text = strip_tags($text);
+
+        // Decodificar entidades HTML
        $text = html_entity_decode($text, ENT_QUOTES | ENT_HTML5, 'UTF-8');
+
        return $text;
    }
 }