タグを無視して、HTMLを含むテキストを切り捨てます
一部のテキスト（データベースまたはテキストファイルからロードされた）を切り捨てたいのですが、HTMLが含まれているため、タグが含まれ、返されるテキストは少なくなります。これにより、タグが閉じられなかったり、部分的に閉じられたりする可能性があります（そのため、Tidyが正しく機能せず、コンテンツがまだ少ない可能性があります）。テキストに基づいてどのように切り捨てることができますか（そして、より複雑な問題を引き起こす可能性があるため、おそらくテーブルに到達したときに停止します）。
substr("Hello, my <strong>name</strong> is <em>Sam</em>. I´m a web developer.",0,26)."..."
結果として：
Hello, my <strong>name</st...
私が望むのは：
Hello, my <strong>name</strong> is <em>Sam</em>. I´m...
これどうやってするの？
私の質問はPHPでそれを行う方法についてですが、C＃でそれを行う方法を知るのは良いでしょう...私はメソッドを移植できると思うので大丈夫です（それが組み込みでない限り）方法）。
また、HTMLエンティティ´を含めたことにも注意してください。これは、（この例のように7文字ではなく）1文字と見なす必要があります。
strip_tagsはフォールバックですが、フォーマットとリンクが失われ、HTMLエンティティの問題が引き続き発生します。
有効なXHTMLを使用している場合、HTMLを解析してタグが適切に処理されることを確認するのは簡単です。これまでに開いたタグを追跡し、「途中」でそれらを再び閉じることを確認するだけです。
<?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><Hello></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>w\xC3\xB8rld!</em>"); print("\n");
エンコードに関する注意：上記のコードは、XHTMLが TF-8 エンコードされていることを前提としています。 ASCII互換のシングルバイトエンコーディング（ Latin-1 など）もサポートされています。3番目の引数としてfalseを渡すだけです。他のマルチバイトエンコーディングはサポートされていませんが、関数を呼び出す前にmb_convert_encodingを使用してUTF-8に変換し、すべてのprintステートメントで再度変換することで、サポートをハックできます。
（ただし、常にUTF-8を使用する必要があります。）
Edit：文字エンティティとUTF-8を処理するように更新されました。その文字が文字エンティティである場合、関数が1つの文字を印刷しすぎるバグを修正しました。
私はあなたが提案するようにHTMLを切り捨てる関数を書きましたが、それを印刷する代わりに、すべてを文字列変数に保持します。 HTMLエンティティも処理します。
/**
* function to truncate and then clean up end of the HTML,
* truncates by counting characters outside of HTML tags
*
* @author alex lockwood, alex dot lockwood at websightdesign
*
* @param string $str the string to truncate
* @param int $len the number of characters
* @param string $end the end string for truncation
* @return string $truncated_html
*
* **/
public static function truncateHTML($str, $len, $end = '…'){
//find all tags
$tagPattern = '/(<\/?)([\w]*)(\s*[^>]*)>?|&[\w#]+;/i'; //match html tags and entities
preg_match_all($tagPattern, $str, $matches, PREG_OFFSET_CAPTURE | PREG_SET_ORDER );
//WSDDebug::dump($matches); exit;
$i =0;
//loop through each found tag that is within the $len, add those characters to the len,
//also track open and closed tags
// $matches[$i][0] = the whole tag string --the only applicable field for html enitities
// IF its not matching an &htmlentity; the following apply
// $matches[$i][1] = the start of the tag either '<' or '</'
// $matches[$i][2] = the tag name
// $matches[$i][3] = the end of the tag
//$matces[$i][$j][0] = the string
//$matces[$i][$j][1] = the str offest
while($matches[$i][0][1] < $len && !empty($matches[$i])){
$len = $len + strlen($matches[$i][0][0]);
if(substr($matches[$i][0][0],0,1) == '&' )
$len = $len-1;
//if $matches[$i][2] is undefined then its an html entity, want to ignore those for tag counting
//ignore empty/singleton tags for tag counting
if(!empty($matches[$i][2][0]) && !in_array($matches[$i][2][0],array('br','img','hr', 'input', 'param', 'link'))){
//double check
if(substr($matches[$i][3][0],-1) !='/' && substr($matches[$i][1][0],-1) !='/')
$openTags[] = $matches[$i][2][0];
elseif(end($openTags) == $matches[$i][2][0]){
array_pop($openTags);
}else{
$warnings[] = "html has some tags mismatched in it: $str";
}
}
$i++;
}
$closeTags = '';
if (!empty($openTags)){
$openTags = array_reverse($openTags);
foreach ($openTags as $t){
$closeTagString .="</".$t . ">";
}
}
if(strlen($str)>$len){
// Finds the last space from the string new length
$lastWord = strpos($str, ' ', $len);
if ($lastWord) {
//truncate with new len last Word
$str = substr($str, 0, $lastWord);
//finds last character
$last_character = (substr($str, -1, 1));
//add the end text
$truncated_html = ($last_character == '.' ? $str : ($last_character == ',' ? substr($str, 0, -1) : $str) . $end);
}
//restore any open tags
$truncated_html .= $closeTagString;
}else
$truncated_html = $str;
return $truncated_html;
}
100％正確ですが、かなり難しいアプローチ：
- DOMを使用して文字を繰り返す
- DOMメソッドを使用して残りの要素を削除する
- DOMをシリアル化する
力ずくのアプローチ：
- PREG_DELIM_CAPTUREで
preg_split('/(<tag>)/')を使用して、文字列をタグ（要素ではなく）とテキストフラグメントに分割します。 - 必要なテキストの長さを測定します（分割から1秒ごとの要素になります。
html_entity_decode()を使用すると、正確に測定できます） - 文字列を切り取ります（トリム
&[^\s;]+$切り刻まれたエンティティを取り除くために最後に） - HTML Tidyで修正する
以下は、テストケースを正常に処理する単純なステートマシンパーサーです。タグ自体は追跡しないため、ネストされたタグで失敗します。また、HTMLタグ内のエンティティ（たとえば、_ [のhref-属性内の<a>-鬼ごっこ）。したがって、この問題を100％解決することはできませんが、理解しやすいため、より高度な機能の基礎になる可能性があります。
function substr_html($string, $length)
{
$count = 0;
/*
* $state = 0 - normal text
* $state = 1 - in HTML tag
* $state = 2 - in HTML entity
*/
$state = 0;
for ($i = 0; $i < strlen($string); $i++) {
$char = $string[$i];
if ($char == '<') {
$state = 1;
} else if ($char == '&') {
$state = 2;
$count++;
} else if ($char == ';') {
$state = 0;
} else if ($char == '>') {
$state = 0;
} else if ($state === 0) {
$count++;
}
if ($count === $length) {
return substr($string, 0, $i + 1);
}
}
return $string;
}
この場合、厄介な正規表現のハックでDomDocumentを使用できますが、タグが壊れていると、最悪の場合は警告が表示されます。
$dom = new DOMDocument();
$dom->loadHTML(substr("Hello, my <strong>name</strong> is <em>Sam</em>. I´m a web developer.",0,26));
$html = preg_replace("/\<\/?(body|html|p)>/", "", $dom->saveHTML());
echo $html;
出力を与える必要があります：Hello, my <strong>**name**</strong>。
バウンスがSørenLøvborgのソリューションにマルチバイト文字のサポートを追加しました-私が追加しました：
- ペアになっていないHTMLタグのサポート（例：
<hr>、<br><col>などは閉じません-HTMLでは、これらの最後に「/」は必要ありません（ただし、XHTMLの場合））。 - カスタマイズ可能な切り捨てインジケーター（デフォルトは
&hellips;すなわち…）、 - 出力バッファを使用せずに文字列として返す
- カバー率100％の単体テスト。
すべてこれは Pastie です。
SørenLøvborgのprintTruncated関数に対するもう1つの小さな変更は、UTF-8（mbstringが必要）と互換性があり、文字列を出力せずに文字列を返すようにすることです。もっと便利だと思います。そして、私のコードでは、バウンスバリアントのようなバッファリングを使用していません。
UPD：タグ属性のutf-8文字で適切に機能させるには、以下に示すmb_preg_match関数が必要です。
その機能を提供してくれたSørenLøvborgに感謝します。とても良いです。
/* Truncate HTML, close opened tags
*
* @param int, maxlength of the string
* @param string, html
* @return $html
*/
function htmlTruncate($maxLength, $html)
{
mb_internal_encoding("UTF-8");
$printedLength = 0;
$position = 0;
$tags = array();
$out = "";
while ($printedLength < $maxLength && mb_preg_match('{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}', $html, $match, PREG_OFFSET_CAPTURE, $position))
{
list($tag, $tagPosition) = $match[0];
// Print text leading up to the tag.
$str = mb_substr($html, $position, $tagPosition - $position);
if ($printedLength + mb_strlen($str) > $maxLength)
{
$out .= mb_substr($str, 0, $maxLength - $printedLength);
$printedLength = $maxLength;
break;
}
$out .= $str;
$printedLength += mb_strlen($str);
if ($tag[0] == '&')
{
// Handle the entity.
$out .= $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.
$out .= $tag;
}
else if ($tag[mb_strlen($tag) - 2] == '/')
{
// Self-closing tag.
$out .= $tag;
}
else
{
// Opening tag.
$out .= $tag;
$tags[] = $tagName;
}
}
// Continue after the tag.
$position = $tagPosition + mb_strlen($tag);
}
// Print any remaining text.
if ($printedLength < $maxLength && $position < mb_strlen($html))
$out .= mb_substr($html, $position, $maxLength - $printedLength);
// Close any open tags.
while (!empty($tags))
$out .= sprintf('</%s>', array_pop($tags));
return $out;
}
function mb_preg_match(
$ps_pattern,
$ps_subject,
&$pa_matches,
$pn_flags = 0,
$pn_offset = 0,
$ps_encoding = NULL
) {
// WARNING! - All this function does is to correct offsets, nothing else:
//(code is independent of PREG_PATTER_ORDER / PREG_SET_ORDER)
if (is_null($ps_encoding)) $ps_encoding = mb_internal_encoding();
$pn_offset = strlen(mb_substr($ps_subject, 0, $pn_offset, $ps_encoding));
$ret = preg_match($ps_pattern, $ps_subject, $pa_matches, $pn_flags, $pn_offset);
if ($ret && ($pn_flags & PREG_OFFSET_CAPTURE))
foreach($pa_matches as &$ha_match) {
$ha_match[1] = mb_strlen(substr($ps_subject, 0, $ha_match[1]), $ps_encoding);
}
return $ret;
}
CakePHP フレームワークには、TextHelperで動作するHTML対応のtruncate（）関数があります。 Core-Helpers/Text を参照してください。 MITライセンス。
tidy も使用できます：
function truncate_html($html, $max_length) {
return tidy_repair_string(substr($html, 0, $max_length),
array('wrap' => 0, 'show-body-only' => TRUE), 'utf8');
}
SørenLøvborgprintTruncated関数に小さな変更を加え、UTF-8互換にしました。
/* Truncate HTML, close opened tags
*
* @param int, maxlength of the string
* @param string, html
* @return $html
*/
function html_truncate($maxLength, $html){
mb_internal_encoding("UTF-8");
$printedLength = 0;
$position = 0;
$tags = array();
ob_start();
while ($printedLength < $maxLength && preg_match('{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}', $html, $match, PREG_OFFSET_CAPTURE, $position)){
list($tag, $tagPosition) = $match[0];
// Print text leading up to the tag.
$str = mb_strcut($html, $position, $tagPosition - $position);
if ($printedLength + mb_strlen($str) > $maxLength){
print(mb_strcut($str, 0, $maxLength - $printedLength));
$printedLength = $maxLength;
break;
}
print($str);
$printedLength += mb_strlen($str);
if ($tag[0] == '&'){
// Handle the entity.
print($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 ($tag[mb_strlen($tag) - 2] == '/'){
// Self-closing tag.
print($tag);
}
else{
// Opening tag.
print($tag);
$tags[] = $tagName;
}
}
// Continue after the tag.
$position = $tagPosition + mb_strlen($tag);
}
// Print any remaining text.
if ($printedLength < $maxLength && $position < mb_strlen($html))
print(mb_strcut($html, $position, $maxLength - $printedLength));
// Close any open tags.
while (!empty($tags))
printf('</%s>', array_pop($tags));
$bufferOuput = ob_get_contents();
ob_end_clean();
$html = $bufferOuput;
return $html;
}
バリデーターとパーサーを使用せずにこれを行うのは非常に困難です。その理由は、
<div id='x'>
<div id='y'>
<h1>Heading</h1>
500
lines
of
html
...
etc
...
</div>
</div>
それをどのように切り捨てて、有効なHTMLにするのですか？
簡単な検索の結果、 このリンク が見つかりました。
関数truncateHTML()を使用： https://github.com/jlgrall/truncateHTML
例：省略記号を含む9文字の後に切り捨てます：
truncateHTML(9, "<p><b>A</b> red ball.</p>", ['wholeWord' => false]);
// => "<p><b>A</b> red ba…</p>"
特徴：UTF-8、構成可能な省略記号、省略記号の長さの包含/除外、自己終了タグ、折りたたみスペース、非表示の要素（<head>、<script>、<noscript>、<style>、<!-- comments -->）、HTML $entities;、最後にWord全体を切り捨てる（非常に長い単語を切り捨てるオプションもある）、PHP 5.6および7.0 +、240 +の単体テスト）、文字列を返します（出力バッファを使用しません） ）、よくコメントされたコード。
私はこの関数を書いた、なぜなら私は本当に SørenLøvborg の上記の関数（特に彼がどのようにエンコーディングを管理したか）が好きだったからだが、もう少し機能性と柔軟性が必要だった。