首页 > 编程开发 > php截取html摘要，自动检查html标签闭合

php截取html摘要，自动检查html标签闭合

2010年8月27日 892 views 发表评论 阅读评论

日志一般需要生成摘要，手动填写太麻烦，于是使用mb_substr自动截取，问题来了。如果纯文本还基本准确，要是html代码过多，截取出来的差得太 多。比如设定摘要300字，前面空格、html代码就可能占了100。怎么办呢？最好的办法是遇到html代码，跳过，不计数。这样较为准确，当然，美中 不足的是，万一是 img 标签呢？什么事都不能十全十美，就这样了。

utf编码，unicode字符1 – 6个字节都有可能，但 html 代码肯定都是 1 字节，并且以 < 开始，以 > 结束，所以稍候分析一下，就出来了。但有个问题，html 标签不能成为对闭合，比如 300 个字符满了，后面还有几个 html 标签，这就造成标签不闭合，页面布局全乱了。记得 php 有个扩展库，专门检查 html 规范的，但一般主机都没装，就试着写了一下。逻辑相当复杂，自己看了都头晕，觉得有些地方多余了，但也没找到另好的办法。

在这几天的测试中，都能正确处理未闭合的 html 标签。但是如果使用 php 过滤器，就会比较麻烦，php 代码内可能会出现非常多的 < 和 >，现在的解决办法是，如果是输入格式中包含有 php 过滤器，就不处理。字符串中没有 html 标签，直接调用  mb_substr 处理，含有摘要截取标记，优先从标记处截断。

下面是代码：

001 /**
002 * 生成摘要
003 * @param (string) $body
004 *  正文
005 * @param (int) $size
006 *  摘要长度
007 * @param (int) $format
008 *  输入格式 id
009 */
010 function blog_summary($body, $size, $format = NULL){
011 $_size = mb_strlen($body, 'utf-8');
012
013 if($_size <= $size) return $body;
014
015 // 输入格式中有 PHP 过滤器
016 if(!isset($format) && filter_is_php($format)){
017 return $body;
018 }
019
020 $strlen_var = strlen($body);
021
022 // 不包含 html 标签
023 if(strpos($body, '<') === false){
024 return mb_substr($body, 0, $size);
025 }
026
027 // 包含截断标志，优先
028 if($e = strpos($body, '<!-- break -->')){
029 return mb_substr($body, 0, $e);
030 }
031
032 // html 代码标记
033 $html_tag = 0;
034
035 // 摘要字符串
036 $summary_string = '';
037
038 /**
039 * 数组用作记录摘要范围内出现的 html 标签
040 * 开始和结束分别保存在 left 和 right 键名下
041 * 如字符串为：<h3><p><b>a</b></h3>，假设 p 未闭合
042 * 数组则为：array('left' => array('h3', 'p', 'b'), 'right' => 'b', 'h3');
043 * 仅补全 html 标签，<? <% 等其它语言标记，会产生不可预知结果
044 */
045 $html_array = array('left' => array(), 'right' => array());
046 for($i = 0; $i < $strlen_var; ++$i) {
047 if(!$size){
048 break;
049 }
050
051 $current_var = substr($body, $i, 1);
052
053 if($current_var == '<'){
054 // html 代码开始
055 $html_tag = 1;
056 $html_array_str = '';
057 }else if($html_tag == 1){
058 // 一段 html 代码结束
059 if($current_var == '>'){
060 /**
061 * 去除首尾空格，如 <br /  > < img src="" / > 等可能出现首尾空格
062 */
063 $html_array_str = trim($html_array_str);
064
065 /**
066 * 判断最后一个字符是否为 /，若是，则标签已闭合，不记录
067 */
068 if(substr($html_array_str, -1) != '/'){
069
070 // 判断第一个字符是否 /，若是，则放在 right 单元
071 $f = substr($html_array_str, 0, 1);
072 if($f == '/'){
073 // 去掉 /
074 $html_array['right'][] = str_replace('/', '', $html_array_str);
075 }else if($f != '?'){
076 // 判断是否为 ?，若是，则为 PHP 代码，跳过
077
078 /**
079 * 判断是否有半角空格，若有，以空格分割，第一个单元为 html 标签
080 * 如 <h2> <p>
081 */
082 if(strpos($html_array_str, ' ') !== false){
083 // 分割成2个单元，可能有多个空格，如：<h2 id="">
084 $html_array['left'][] = strtolower(current(explode(' ', $html_array_str, 2)));
085 }else{
086 /**
087 * * 若没有空格，整个字符串为 html 标签，如：<b> <p> 等
088 * 统一转换为小写
089 */
090 $html_array['left'][] = strtolower($html_array_str);
091 }
092 }
093 }
094
095 // 字符串重置
096 $html_array_str = '';
097 $html_tag = 0;
098 }else{
099 /**
100 * 将< >之间的字符组成一个字符串
101 * 用于提取 html 标签
102 */
103 $html_array_str .= $current_var;
104 }
105 }else{
106 // 非 html 代码才记数
107 --$size;
108 }
109
110 $ord_var_c = ord($body{$i});
111
112 switch (true) {
113 case (($ord_var_c & 0xE0) == 0xC0):
114 // 2 字节
115 $summary_string .= substr($body, $i, 2);
116 $i += 1;
117 break;
118 case (($ord_var_c & 0xF0) == 0xE0):
119
120 // 3 字节
121 $summary_string .= substr($body, $i, 3);
122 $i += 2;
123 break;
124 case (($ord_var_c & 0xF8) == 0xF0):
125 // 4 字节
126 $summary_string .= substr($body, $i, 4);
127 $i += 3;
128 break;
129 case (($ord_var_c & 0xFC) == 0xF8):
130 // 5 字节
131 $summary_string .= substr($body, $i, 5);
132 $i += 4;
133 break;
134 case (($ord_var_c & 0xFE) == 0xFC):
135 // 6 字节
136 $summary_string .= substr($body, $i, 6);
137 $i += 5;
138 break;
139 default:
140 // 1 字节
141 $summary_string .= $current_var;
142 }
143 }
144
145 if($html_array['left']){
146 /**
147 * 比对左右 html 标签，不足则补全
148 */
149
150 /**
151 * 交换 left 顺序，补充的顺序应与 html 出现的顺序相反
152 * 如待补全的字符串为：<h2>abc<b>abc<p>abc
153 * 补充顺序应为：</p></b></h2>
154 */
155 $html_array['left'] = array_reverse($html_array['left']);
156
157 foreach($html_array['left'] as $index => $tag){
158 // 判断该标签是否出现在 right 中
159 $key = array_search($tag, $html_array['right']);
160 if($key !== false){
161 // 出现，从 right 中删除该单元
162 unset($html_array['right'][$key]);
163 }else{
164 // 没有出现，需要补全
165 $summary_string .= '</'.$tag.'>';
166 }
167 }
168 }
169 return $summary_string;
170 }
分类: 编程开发 标签:
  1. 本文目前尚无任何评论.
  1. 本文目前尚无任何 trackbacks 和 pingbacks.
您必须在 登录 后才能发布评论.