PHP 截取HTML串
11月 19th, 2008 — Dreamer需求：将一段文字截取一定的物理长度显示，注意，要截取的不是字符串的字节数，UFT-8 的编码中文字符是3个字节或者4个字节的，而显示的时候中文会占两个字符的长度，英文字符只占一个，全角的时候又有不同。而且给的数据是HTML代码串，比如这样：
<div class=”aaa”><a href=”/aaa.php?id=1″>张三</a> 评论了 <a href=”/aaa.php?id=444″>李四</a> 分享的 <a href=”bbb.html”>一篇文章文章一长串的东西</a></div>
截取的时候是要截取 div 标签内部的东西，而且要保留HTML标签，只是对其中的文字做处理。比如我可能只是截取到“李四”的“李”字，但是如果就这样放到前端的话，“李四”前面的 a 标签是没有闭合的，所以截取之后要保证HTML的语法正确。
这个问题确实不太好搞，让我郁闷了两天。请注意，这只是一个字符串，只不过内容是HTML代码，是没有什么DOM的。如果是在前端处理就好办了，直接DOM获取，然后对里面的节点进行处理，最后把innerHTML 之类的东西输出就搞定了。现在可不行了，得换个思路。同事的思路是这样的：
遍历字符串的每一个字符。设置一个标记，碰到标签开始的标记< 就置为1，接下来的字符都不记数，然后碰到>之后再开始计数。对标签内部的字符串处理的时候，还要先判断当前字符的编码是不是可能是中文，一般来说PHP中 UTF-8 编码的中文字符的长度都是3，所以如果碰到是中文字符编码，就要跳过两个不记数……说到这里我自己头已经开始大了。个人认为这种方法很不爽，首先这种精致的逻辑不太容易控制，而且 UFT-8 编码下中文产生的长度有可能是3个或4个 所以代码的严密性值得怀疑。
我个人的思路是，用 Tidy 来搞（具体用法请看PHP手册吧）。昨天研究了一下那个 Tidy ，发现这个东西还是挺好用的。首先，把这个字符串转换成 Tidy 对象，这样：
$tidy = tidy_parse_string($str, array(), ‘utf8′); // 最后一个是设置编码的，注意，这里是utf8 ，不是utf-8，没有中间那个连线。
然后获取$tidy中的 body（因为转换之后$tidy会自动加上<head><body>等标签）：
$body = tidy_get_body($tidy);
这个时候你可以用 var_dump 看一些 $body 的结构，会发现它把每个标签都变成了一个对应的对象，里面有相应的属性。举例来说，比如 <a href=”#”>sdf</a> ，这么一条语句对应的一些属性有：
name=>”a”
value => “<a href=”#”>sdf</a>”
child=> array{[0]=>一个文本节点对象，value是 sdf}
attribute=array{”href”=>”#”}
…..其他属性
可以看到，我们其实是可以单独去处理 a 标签对应节点下面的文字节点的值的，那样就不会破坏任何HTML完整性。原来我以为改变 a 标签中文字节点的值之后， a 标签的value也会跟着改变，那样我直接返回a标签对应节点的value就OK了，没想到不是那个样子，哎，所以处理过其中的文字之后还是要自己拼出新的HTML。
知道了Tidy对象的结构之后，一切就好办了，只要遍历所有的节点，对于本需求来说，就是找到那个 div 标签，然后开始处理里面的节点。代码如下：
if(mb_strwidth($subchild->value, ‘utf-8′) >= $len)
{
$subchild->value = mb_strimwidth($subchild->value, 0, $len, ‘…’, ‘utf-8′);
$trimed_str .= $subchild->value;
break;
}
else
{
$trimed_str .= $subchild->value;
$len = $len - mb_strwidth($subchild->value, ‘utf-8′);
}
里面的$subchild 就是一个子节点。注意，这里使用了 mb_strwidth 来获取字符串长度。严重推荐一下这个 mb_strwidth，很好用，它会把中文当作两个字符长度处理，正好符合这里的需求！而且截取字符串的时候用到了 mb_strimwidth，这个函数也会把中文当作两个字符长度处理，mb_ 开头的函数真是好用啊。
具体代码我就不写出来了，因为是针对一个需求写的，没做成通用的形式。哪天我有时间做成通用的再发布一下。
另外，可惜FireFox不支持 text-overflow 属性，不然也不用后台那么辛苦地去截断了。如果大家有更好的方法，欢迎提出！不胜感激。
本文链接: http://www.zhuoqun.net/html/y2008/1121.html 转载请注明出处，谢谢。
TrackBack引用地址：http://www.zhuoqun.net/html/y2008/1121.html/trackback
text-overflow:ellipsis;
overflow:hidden;
white-space: nowrap;
width: …px;
虽然ff下没有 text-overflow自动出现省略号的效果，也凑合了。
就是因为不会出现省略号，所以有时候会干掉半个汉字。。所以没有用它
function mysubstr($str,$start,$len){
$tmpstr = “”;
$strlen = $start + $len;
for($i = 0; $i 0xa0) {
$tmpstr .= substr($str, $i, 2);
$i++;
} else
$tmpstr .= substr($str, $i, 1);
}
return $tmpstr;
}
。。。。你仔细看我的文章了？？我很怀疑。
我正好也在考虑这个问题
我以前是用mb_substr截取的，倒没有注意到 mb_strimwidth， mb_strimwidth好像是依据显示的宽度截取？那样倒是显示得更整齐
不知道你最后拼出新的html是怎么拼的？前面部分我觉得这样可能更简单：
先用strip_tags()去掉标签，然后用mb_strimwidth截取
这样截取部分已经完成了，然后把获得的字符串与原字符串比较，加上html标签，这步是麻烦点，不过你们会遇到的html标签应该是有规律的吧，所以应该可以
我是初学者，如果说错了请多担待 :)
问题是不知道在哪里添加HTML标签，比如名字上面有链接，去掉之后怎么知道在哪几个字上加链接呢？ 我拼HTML 是用 tidy 里面的东西，那个还挺好用的，目前我没有发现更好的方法。