您现在的位置：程式碼之家 >> 編程語言 > >> 網頁程式設計 >> PHP 程式設計 >> PHP 相關知識

PHP 截取 HTML 字串並自動補全標籤的實作技巧

編輯：PHP 相關知識

PHP 截取 HTML 字串並自動補全標籤的實作技巧

在 PHP 開發中，常需要截取包含 HTML 標籤的字串來生成摘要或預覽。若直接使用 strip_tags 移除標籤，雖能獲得純文字，但會失去排版結構，閱讀體驗大打折扣。更棘手的是，若截斷點落在未閉合的標籤中間，會導致整頁版面錯亂。本文介紹兩種實用的解決方案，能在指定長度截取 HTML 內容的同時，自動補全未閉合的標籤，確保輸出的 HTML 結構完整。

方案一：基於堆疊的標籤追蹤法

此方法將 HTML 字串拆解為標籤與文字節點，利用堆疊追蹤開啟的標籤，並在截斷後依序補全閉合標籤。核心邏輯包含三個輔助函數：

subHtml($html, $length)：主函數，負責解析 HTML、計算文字長度、管理標籤堆疊
mstrlen($str, $charset)：精確計算 UTF-8 字串長度（含中英文）
msubstr($string, $start, $length, $dot, $charset)：多位元組安全的子字串截取

function subHtml($html, $length) {
    $result = '';
    $tagStack = [];
    $len = 0;
    
    // 以正則拆分標籤與文字，保留分隔符
    $contents = preg_split("~(<[^>]+>)~si", $html, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);
    
    foreach ($contents as $tag) {
        if (trim($tag) === '') continue;
        
        // 自閉合標籤 
、 等直接輸出
        if (preg_match("~<([a-z0-9]+)[^/>]*/>~si", $tag)) {
            $result .= $tag;
        }
        // 閉合標籤

 等，匹配堆疊頂端則彈出
        elseif (preg_match("~</([a-z0-9]+)[^/>]*>~si", $tag, $match)) {
            if (!empty($tagStack) && end($tagStack) === $match[1]) {
                array_pop($tagStack);
                $result .= $tag;
            }
        }
        // 開啟標籤

 等，推入堆疊
        elseif (preg_match("~<([a-z0-9]+)[^/>]*>~si", $tag, $match)) {
            array_push($tagStack, $match[1]);
            $result .= $tag;
        }
        // 註釋標籤直接輸出
        elseif (preg_match("~<!--.*-->~si", $tag)) {
            $result .= $tag;
        }
        // 純文字節點，依長度截取
        else {
            if ($len + mstrlen($tag) < $length) {
                $result .= $tag;
                $len += mstrlen($tag);
            } else {
                $str = msubstr($tag, 0, $length - $len + 1);
                $result .= $str;
                break;
            }
        }
    }
    
    // 補全剩餘未閉合標籤（反序彈出）
    while (!empty($tagStack)) {
        $result .= '</' . array_pop($tagStack) . '>';
    }
    return $result;
}

方案二：字元逐一掃描法

另一種思路是逐字元掃描，遇到 < 進入標籤解析模式，記錄開啟與閉合標籤名稱，最後根據未配對的開啟標籤生成閉合標籤。此法對巢狀結構處理較直觀，但需注意 HTML 實體編碼與屬性值中夾帶的 > 字元。

function phpos_chsubstr_ahtml($str, $num, $more = false) {
    $leng = strlen($str);
    if ($num >= $leng) return $str;
    
    $word = 0; $i = 0;
    $stag = []; $etag = [];
    $sp = 0; $ep = 0;
    
    while ($word != $num) {
        if (ord($str[$i]) > 128) { // 中文字元（UTF-8 3 位元組）
            $i += 3; $word++;
        }
        elseif ($str[$i] === '<') { // 進入標籤解析
            // 解析標籤名稱，區分開啟/閉合標籤，存入 $stag/$etag
            // ...（略，完整邏輯見原始碼）
            $i++;
            continue;
        }
        else { $word++; $i++; }
    }
    
    // 配對消除已閉合標籤，保留未閉合的開啟標籤
    foreach ($etag as $val) {
        $key = array_search($val, $stag);
        if ($key !== false) unset($stag[$key]);
    }
    // 過濾無需閉合標籤
    foreach ($stag as $key => $val) {
        if (in_array($val, ['br', 'img'])) unset($stag[$key]);
    }
    
    // 反序生成閉合標籤
    $stag = array_reverse($stag);
    $ends = '</' . implode('></', $stag) . '>';
    $re = substr($str, 0, $i) . $ends;
    if ($more) $re .= '...';
    return $re;
}

方案三：利用 mb_ereg 正則配合堆疊（適用於文章摘要）

此法針對常見區塊標籤（div、p、table 等）進行正則匹配，配合堆疊管理巢狀關係，適合 CMS 系統的文章摘要生成：

function text_zhaiyao($text, $length) {
    mb_regex_encoding("UTF-8");
    if (mb_strlen($text) <= $length) return $text;
    
    $Foremost = mb_substr($text, 0, $length);
    $re = "<(/?) (P|DIV|H[1-6]|TABLE|TR|TD|TH|A|UL|OL|LI|SPAN|IMG|BR|HR)[^>]*(>?)";
    $Single = "/BR|HR|IMG|INPUT/i"; // 無需閉合標籤
    
    $Stack = []; $posStack = [];
    mb_ereg_search_init($Foremost, $re, 'i');
    
    while ($pos = mb_ereg_search_pos()) {
        $match = mb_ereg_search_getregs();
        // $match[1]：是否為閉合標籤 (/)
        // $match[2]：標籤名稱
        // $match[3]：右括號 (>)
        if ($match[1] === "") { // 開啟標籤
            $Elem = $match[2];
            if (mb_eregi($Single, $Elem) && $match[3] !== "") continue;
            array_push($Stack, $Elem);
            array_push($posStack, $pos[0]);
        } else { // 閉合標籤
            // 匹配堆疊頂端則彈出
        }
    }
    // 依堆疊剩餘標籤補全閉合標籤...
}

實務建議與注意事項

編碼一致性：確保 PHP 檔案、資料庫連線、HTML 頁面均為 UTF-8，避免多位元組字元截斷產生亂碼。
效能考量：對於超長 HTML 內容，正則拆分與逐字元掃描均有效能開銷。可考慮在資料寫入時預先生成純文字摘要，或使用 DOMDocument 解析樹狀結構（雖較慢但更健壯）。
特殊標籤處理：<script>、<style> 內容通常不應出現在摘要中，建議預先移除。
XSS 風險：若 HTML 來源不可信，截取前應先進行淨化（如使用 HTMLPurifier），防止殘留惡意腳本。

掌握這些技巧，能讓你在開發文章列表、搜尋結果預覽、RSS 輸出等場景時，既保留豐富排版，又確保頁面結構穩定。