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？

虽然我的问题是有关如何在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´-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

假设您使用的是有效的XHTML，则解析HTML并确保正确处理标签非常简单。您只需要跟踪到目前为止已打开的标签，并确保“在您出门时”再次将其关闭。

<?php
header('Content-type: text/plain; charset=utf-8');

function printTruncated($maxLength, $html, $isUtf8=true)
{
    $printedLength = 0;
    $position = 0;
    $tags = array();

    // For UTF-8, we need to count multibyte sequences as one character.
    $re = $isUtf8
        ? '{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;|[\x80-\xFF][\x80-\xBF]*}'
        : '{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}';

    while ($printedLength < $maxLength && preg_match($re, $html, $match, PREG_OFFSET_CAPTURE, $position))
    {
        list($tag, $tagPosition) = $match[0];

        // Print text leading up to the tag.
        $str = substr($html, $position, $tagPosition - $position);
        if ($printedLength + strlen($str) > $maxLength)
        {
            print(substr($str, 0, $maxLength - $printedLength));
            $printedLength = $maxLength;
            break;
        }

        print($str);
        $printedLength += strlen($str);
        if ($printedLength >= $maxLength) break;

        if ($tag[0] == '&' || ord($tag) >= 0x80)
        {
            // Pass the entity or UTF-8 multibyte sequence through unchanged.
            print($tag);
            $printedLength++;
        }
        else
        {
            // Handle the tag.
            $tagName = $match[1][0];
            if ($tag[1] == '/')
            {
                // This is a closing tag.

                $openingTag = array_pop($tags);
                assert($openingTag == $tagName); // check that tags are properly nested.

                print($tag);
            }
            else if ($tag[strlen($tag) - 2] == '/')
            {
                // Self-closing tag.
                print($tag);
            }
            else
            {
                // Opening tag.
                print($tag);
                $tags[] = $tagName;
            }
        }

        // Continue after the tag.
        $position = $tagPosition + strlen($tag);
    }

    // Print any remaining text.
    if ($printedLength < $maxLength && $position < strlen($html))
        print(substr($html, $position, $maxLength - $printedLength));

    // Close any open tags.
    while (!empty($tags))
        printf('</%s>', array_pop($tags));
}


printTruncated(10, '<b>&lt;Hello&gt;</b> <img src="world.png" alt="" /> world!"); print("\n");

printTruncated(10, '<table><tr><td>Heck, </td><td>throw</td></tr><tr><td>in a</td><td>table</td></tr></table>'); print("\n");

printTruncated(10, "<em><b>Hello</b>&#20;w\xC3\xB8rld!</em>"); print("\n");

编码说明
：上面的代码假定XHTML是UTF-8编码的。还支持ASCII兼容的单字节编码，只需将其false作为第三个参数传递即可。不支持其他多字节编码，尽管您可能会mb_convert_encoding在调用该函数之前先转换为UTF-8，然后在每个print语句中再次转换回去，从而获得支持。

（不过，您应该 始终 使用UTF-8。）

编辑 ：更新为处理字符实体和UTF-8。修复了以下错误：如果该字符是一个字符实体，该函数将打印一个字符过多。