截断包含HTML的文本，忽略标签

Question

我想截断一些文本（从数据库或文本文件加载），但其中包含HTML，因此包含了标签，并且将返回较少的文本。然后，这可能导致标签未关闭或部分关闭（因此Tidy可能无法正常工作，并且内容仍然较少）。我如何基于文本截断（并且可能在到达表时停止，因为这可能会导致更复杂的问题）。substr("Hello, my <strong>name</strong> is <em>Sam</em>. I&acute;m a web developer.",0,26)."..."将导致：Hello, my <strong>name</st...我想要的是：Hello, my <strong>name</strong> is <em>Sam</em>. I&acute;m...我怎样才能做到这一点？虽然我的问题是关于如何在PHP中进行操作，但最好知道如何在C＃中进行操作...要么应该可以，因为我认为我可以将方法移植过来（除非它是内置的）方法）。还要注意，我包括了一个HTML实体&acute;-必须将其视为单个字符（而不是本示例中的7个字符）。strip_tags 是一个备用，但我会丢失格式和链接，并且HTML实体仍然会出现问题。

Answer 1

我已经按照您的建议编写了一个将HTML截断的函数，但是没有打印出来，而是将其保存在字符串变量中。也处理HTML实体。

 /**

     *  function to truncate and then clean up end of the HTML,

     *  truncates by counting characters outside of HTML tags

     *  

     *  @author alex lockwood, alex dot lockwood at websightdesign

     *  

     *  @param string $str the string to truncate

     *  @param int $len the number of characters

     *  @param string $end the end string for truncation

     *  @return string $truncated_html

     *  

     *  **/

        public static function truncateHTML($str, $len, $end = '&hellip;'){

            //find all tags

            $tagPattern = '/(<\/?)([\w]*)(\s*[^>]*)>?|&[\w#]+;/i';  //match html tags and entities

            preg_match_all($tagPattern, $str, $matches, PREG_OFFSET_CAPTURE | PREG_SET_ORDER );

            //WSDDebug::dump($matches); exit; 

            $i =0;

            //loop through each found tag that is within the $len, add those characters to the len,

            //also track open and closed tags

            // $matches[$i][0] = the whole tag string  --the only applicable field for html enitities  

            // IF its not matching an &htmlentity; the following apply

            // $matches[$i][1] = the start of the tag either '<' or '</'  

            // $matches[$i][2] = the tag name

            // $matches[$i][3] = the end of the tag

            //$matces[$i][$j][0] = the string

            //$matces[$i][$j][1] = the str offest

            while($matches[$i][0][1] < $len && !empty($matches[$i])){

                $len = $len + strlen($matches[$i][0][0]);

                if(substr($matches[$i][0][0],0,1) == '&' )

                    $len = $len-1;

                //if $matches[$i][2] is undefined then its an html entity, want to ignore those for tag counting

                //ignore empty/singleton tags for tag counting

                if(!empty($matches[$i][2][0]) && !in_array($matches[$i][2][0],array('br','img','hr', 'input', 'param', 'link'))){

                    //double check 

                    if(substr($matches[$i][3][0],-1) !='/' && substr($matches[$i][1][0],-1) !='/')

                        $openTags[] = $matches[$i][2][0];

                    elseif(end($openTags) == $matches[$i][2][0]){

                        array_pop($openTags);

                    }else{

                        $warnings[] = "html has some tags mismatched in it:  $str";

                    }

                }

                $i++;

            }

            $closeTags = '';

            if (!empty($openTags)){

                $openTags = array_reverse($openTags);

                foreach ($openTags as $t){

                    $closeTagString .="</".$t . ">"; 

                }

            }

            if(strlen($str)>$len){

                // Finds the last space from the string new length

                $lastWord = strpos($str, ' ', $len);

                if ($lastWord) {

                    //truncate with new len last word

                    $str = substr($str, 0, $lastWord);

                    //finds last character

                    $last_character = (substr($str, -1, 1));

                    //add the end text

                    $truncated_html = ($last_character == '.' ? $str : ($last_character == ',' ? substr($str, 0, -1) : $str) . $end);

                }

                //restore any open tags

                $truncated_html .= $closeTagString;

            }else

            $truncated_html = $str;

            return $truncated_html; 

        }

Answer 2

100％准确但非常困难的方法：

1. 使用DOM迭代字符

2. 使用DOM方法删除剩余元素

3. 序列化DOM

简单的暴力破解方法：

1. 使用preg_split('/(<tag>)/')PREG_DELIM_CAPTURE将字符串拆分为标签（不是元素）和文本片段。

2. 测量所需的文本长度（它将是拆分后的第二个元素，您可能会html_entity_decode()用来帮助精确测量）

3. 剪切字符串（&[^\s;]+$在末尾修剪以除去可能切碎的实体）

4. 使用HTML Tidy修复它