概述
在处理用户输入或从外部源获取的文本数据时，经常需要清除其中嵌入的html标签，有时甚至需要移除这些标签所包裹的内容。例如，将john转换为`而不是john。传统的strip_tags()函数只能移除标签本身，而保留其内容。为了实现更彻底的内容净化，我们可以借助php的dom扩展，特别是domdocument和domxpath`，它们提供了强大的html解析和操作能力。
使用DOMDocument和DOMXPath移除HTML标签及内容
这种方法的核心思想是：首先将HTML字符串解析成一个DOM树，然后遍历这个树，找到所有非文本节点（即HTML元素），并将它们从其父节点中移除。最终，只剩下原始字符串中的纯文本部分。
步骤详解
- 创建DOMDocument实例：DOMDocument是PHP内置的XML/HTML解析器，用于将HTML字符串加载为可操作的对象模型。
- 加载HTML字符串：使用loadHTML()方法将待处理的HTML字符串加载到DOMDocument中。为了避免DOMDocument自动添加、和等标签，并抑制潜在的解析错误和警告，建议使用LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED | LIBXML_NOERROR | LIBXML_NOWARNING这些libxml选项。
-
获取根节点：加载HTML后，DOMDocument会创建一个根节点。如果原始HTML没有顶级容器，DOMDocument可能会自动添加一个
标签作为容器。我们需要获取这个根节点，以便后续操作。
- 创建DOMXPath实例：DOMXPath提供了一种通过XPath表达式查询DOM树中节点的方式，这对于查找所有子节点非常有用。
- 查询并移除所有子节点：使用XPath表达式//*可以选中根节点下的所有后代元素（包括子节点、孙子节点等）。然后，遍历这些节点，并使用removeChild()方法将它们从各自的父节点中移除。
- 提取纯文本：在所有HTML元素被移除后，根节点的nodeValue属性将包含原始HTML字符串中所有的纯文本内容。
示例代码
John. I am a coder!';
// 创建一个DOMDocument实例，指定版本和编码
$dom = new DOMDocument('1.0', 'UTF-8');
// 加载HTML字符串，并使用选项避免自动添加DTD、html/body标签，以及抑制错误和警告
// 如果加载失败，通常意味着HTML字符串存在严重问题
if ($dom->loadHTML($string, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED | LIBXML_NOERROR | LIBXML_NOWARNING)) {
// 创建一个DOMXPath实例，用于查询DOM文档
$xpath = new DOMXPath($dom);
// 获取文档的根节点。DOMDocument可能会自动添加一个容器，如果原始HTML没有顶级容器的话。
$rootNode = $dom->documentElement;
// 使用XPath查询所有后代节点（所有元素）
// '//*' 匹配根节点下的所有元素节点
$childNodes = $xpath->query('//*', $rootNode);
// 遍历所有查询到的子节点
foreach ($childNodes as $childNode) {
// 将子节点从其父节点中移除
// 这一步是关键，它移除了HTML标签及其所有内容
$childNode->parentNode->removeChild($childNode);
}
// 输出净化后的HTML字符串的nodeValue，即剩余的纯文本内容
echo $rootNode->nodeValue . "\n";
} else {
echo "Failed to load HTML string.\n";
}
?>
运行结果：
Hey my name is . I am a !
注意事项与高级考量
-
根节点处理：
- 上述解决方案假设您不想移除原始HTML字符串最外层的容器节点（如果存在）。例如，如果输入是Hello，并且您想保留div容器的文本，那么上述方法是合适的。
- 如果您的目标是完全清空一个可能存在的顶级容器节点（例如，输入是Hello，但您希望输出`，而不是Hello），那么区分原始容器节点和DOMDocument自动添加的容器节点会比较困难。通常，DOMDocument会自动为没有顶级元素的片段添加一个
标签。如果需要移除这个自动添加的
启科网络PHP商城系统下载启科网络商城系统由启科网络技术开发团队完全自主开发，使用国内最流行高效的PHP程序语言，并用小巧的MySql作为数据库服务器，并且使用Smarty引擎来分离网站程序与前端设计代码，让建立的网站可以自由制作个性化的页面。 系统使用标签作为数据调用格式，网站前台开发人员只要简单学习系统标签功能和使用方法，将标签设置在制作的HTML模板中进行对网站数据、内容、信息等的调用，即可建设出美观、个性的网站。
或原始顶级容器，可能需要更复杂的逻辑，例如检查根节点的标签名，或者直接操作$dom->textContent`。
- 上述解决方案假设您不想移除原始HTML字符串最外层的容器节点（如果存在）。例如，如果输入是
-
无效或格式错误的HTML：
- DOMDocument在解析HTML时会尝试修复格式错误，例如自动关闭未闭合的标签。这可能导致意想不到的结果。如果存在未闭合的标签，DOMDocument可能会为其添加一个关闭标签，并移除直到下一个关闭标签之间的所有内容，这可能不是期望的行为。
- 为了提高鲁棒性，确保输入HTML的质量非常重要。对于不可信的输入，建议在解析前进行初步的清理或验证。
-
性能：
- 对于非常大的HTML字符串，DOM解析可能会消耗较多的内存和CPU资源。如果性能是关键因素，并且HTML结构相对简单，可以考虑使用正则表达式进行初步过滤，但正则表达式在处理复杂或嵌套的HTML结构时往往不够健壮和准确。
-
字符编码：
- 在创建DOMDocument实例时指定正确的字符编码（如UTF-8）非常重要，以避免乱码问题。loadHTML()方法默认使用ISO-8859-1编码，但可以通过mb_convert_encoding等函数预处理字符串或在DOMDocument构造函数中指定。本例中，我们已经在构造函数中指定了UTF-8。
总结
通过DOMDocument和DOMXPath，PHP提供了一种强大且灵活的方式来处理HTML内容。上述方法能够精确地移除HTML标签及其内部内容，从而实现更彻底的文本净化。虽然它比简单的strip_tags()更复杂，但在需要处理复杂HTML结构和实现精细内容控制时，这种方法是首选。理解其工作原理和潜在的注意事项，能够帮助开发者构建更健壮和高效的HTML处理逻辑。
