PHP实现HTML标签自动补全 - PHP开发 - 飞燕前端网

开发各种项目中经常遇到截取html字符串问题。比如博客文章列表页面截取一部分正文、文章正文翻页截取等。
一般情况下先用PHP的 strip_tags 函数去掉所有html标签，再去掉空格等，然后再用substr或者自己实现的cn_substr函数来实现截取。因为如果不先去掉html标签，直接截取出来的字符串就会有没有闭合的标签出现，有时甚至会截取在标签上面比如

</di ...

今天遇到一个内容翻页截取问题：正文是用富文本编辑器写入的，编辑器上有个分页按钮，点击之后就往当前光标位置插入一个蓝色的

<hr />

横线。然后php直接存入数据库。显示的时候，用 explode 函数根据这个

<hr />

标记来分成一个数组，然后根据当前页码来显示某个片段。但是有个严重的问题，比如富文本编辑器写入：

<div style="text-align:center">
content of page 1
<hr />
page 2 content
</div>

如果用explode函数分开后，
第一页的内容是

<div style="text-align:center">
content of page 1

第二页的内容是：

page 2 content
</div>

这样就产生了没有闭合的标签，直接显示到页面上面就会破坏页面布局。。。
想了很久，也找了网上很多 closetag函数。但是发现都针对第一页那种没有闭合的标签的闭合。对于第二种没有开头的标签就没办法了。

针对第一页那种没有闭合的标签的闭合的closetags方法是：

function closetags($html) {
    // 不需要补全的标签
    $arr_single_tags = array('meta', 'img', 'br', 'link', 'area');
    // 匹配开始标签
    preg_match_all('#<([a-z]+)(?: .*)?(?<![/|/ ])>#iU', $html, $result);
    $openedtags = $result[1];
    // 匹配关闭标签
    preg_match_all('#</([a-z]+)>#iU', $html, $result);
    $closedtags = $result[1];
    // 计算关闭开启标签数量，如果相同就返回html数据
    $len_opened = count($openedtags);
    if (count($closedtags) == $len_opened) {
        return $html;
    }
    // 把排序数组，将最后一个开启的标签放在最前面
    $openedtags = array_reverse($openedtags);
    // 遍历开启标签数组
    for ($i = 0; $i < $len_opened; $i++) {
        // 如果需要补全的标签
        if (!in_array($openedtags[$i], $arr_single_tags)) {
            // 如果这个标签不在关闭的标签中
            if (!in_array($openedtags[$i], $closedtags)) {
                    // 直接补全闭合标签
                    $html .= '</' . $openedtags[$i] . '>';
            } else {
                unset($closedtags[array_search($openedtags[$i], $closedtags)]);
            }
        }
    }
    return $html;
}

后来想了一个办法，利用浏览器自己的html解释引擎来帮助补全有问题的html片段。具体做法如下：

<script>
var div = document.createElement('div');
div.innerHTML ='<?php echo ("<div>这里是被截取的html片段");?>';
document.write(div.innerHTML);
</script>

原理就是先把html片段写入到一个空的div里面，然后再从这个div里面读取出来。别看写入和读取的属性都是innerHTML，写入的内容和得到的内容是不一样的噢。如果写入不完整的html片段，浏览器会自动补全修正。读取出来的时候就已经是完整的html dom 片段了。
可是这样有个弊端，由于是Js加载内容信息的，会对搜索引擎优化不好。

另外还在网上找了几个公共方法，也分享给大家一下。

/**
 *  取HTML,并自动补全闭合
 * param $html
 */
function subHtml($html) {
    $segments = preg_split("~(<[^>]+?>)~si", $html, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);
    $compressed = array();
    $stack = array();
    $tag = '';
    $half_open = array('meta', 'input', 'link', 'img', 'br');
    $cannot_compress = array('pre', 'code', 'script', 'style');

    foreach ($segments as $seg) {
        if (trim($seg) === '') {
            continue;
        }

        if (preg_match("~<([a-z0-9]+)[^>]*?/>~si", $seg)) {//<.../>
            $compressed[] = $seg;
        } else if (preg_match("~</([a-z0-9]+)[^>]*?>~si", $seg, $match)) {//</...>
            $tag = format_tag($match[1]);
            if (count($stack) > 0 && $stack[count($stack) - 1] == $tag) {
                array_pop($stack);
                $compressed[] = $seg;
            }
        } else if (preg_match("~<([a-z0-9]+)[^>]*?>~si", $seg, $match)) {//<...>
            $tag = format_tag($match[1]);
            //半闭合标签不需要入栈，如<meta>,<input>,<link>,<img>,<br>
            if (!in_array($tag, $half_open)) {
                array_push($stack, $tag);
            }
            $compressed[] = $seg;
        } else if (preg_match("~<![^>]*>~", $seg)) {
            //文档声明和注释，注释也不能删除，如<!--ie条件-->
            $compressed[] = $seg;
        } else {
            //去掉空白
            $compressed[] = in_array($tag, $cannot_compress) ? $seg : preg_replace('!\s!', '', $seg);
        }
    }

    //补全结尾标签
    while (!empty($stack)) {
        $compressed[] = '</' . array_pop($stack) . '>';
    }
    return join('', $compressed);
}

function format_tag($tag) {
    return trim(strtolower($tag));
}