本文将介绍如何在 PHP 中彻底移除字符串中的 HTML 标签及其包含的内容。我们将使用 DOMDocument 和 DOMXPath 类来解析 HTML 字符串，并移除所有 HTML 元素，最终得到仅包含纯文本的字符串。同时，本文也讨论了处理潜在容器节点和未闭合标签时的注意事项。
在 PHP 中，有时我们需要从字符串中移除 HTML 标签以及标签内的内容，例如，从一段包含 HTML 格式的文本中提取纯文本信息。以下提供一种使用 DOMDocument 和 DOMXPath 实现此目标的有效方法。
使用 DOMDocument 和 DOMXPath 移除 HTML 标签及其内容
DOMDocument 是 PHP 中用于处理 XML 和 HTML 文档的类。DOMXPath 则允许我们使用 XPath 表达式来查询和操作 DOMDocument 对象。
以下代码演示了如何使用这两个类移除 HTML 标签及其内容：
立即学习“PHP免费学习笔记（深入）”；
John. I am a coder!';
// 创建一个 DOMDocument 对象
$dom = new DOMDocument('1.0', 'UTF-8');
// 加载 HTML 字符串，并配置选项以避免自动添加 标签，并关闭错误/警告报告
if($dom->loadHTML($string, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED | LIBXML_NOERROR | LIBXML_NOWARNING)) {
// 创建一个 DOMXPath 对象
$xpath = new DOMXPath($dom);
// 获取根节点
$rootNode = $dom->documentElement;
// 使用 XPath 查询获取所有子节点
$childNodes = $xpath->query('//*', $rootNode);
// 遍历所有子节点并将其从父节点移除
foreach($childNodes as $childNode) {
$childNode->parentNode->removeChild($childNode);
}
// 输出处理后的文本
echo $rootNode->nodeValue . "\n";
}
?>代码解释：
- 创建 DOMDocument 对象： $dom = new DOMDocument('1.0', 'UTF-8'); 创建一个新的 DOMDocument 对象，并指定版本和编码。
- 加载 HTML 字符串： $dom->loadHTML($string, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED | LIBXML_NOERROR | LIBXML_NOWARNING); 将 HTML 字符串加载到 DOMDocument 对象中。LIBXML_HTML_NODEFDTD 和 LIBXML_HTML_NOIMPLIED 选项阻止 DOMDocument 自动添加 和 标签。 LIBXML_NOERROR | LIBXML_NOWARNING 抑制错误和警告信息，使代码更加健壮。
- 创建 DOMXPath 对象： $xpath = new DOMXPath($dom); 创建一个 DOMXPath 对象，用于查询 DOMDocument 对象。
- 获取根节点： $rootNode = $dom->documentElement; 获取DOMDocument的根节点。
- 使用 XPath 查询： $xpath->query('//*', $rootNode); 使用 XPath 表达式 //* 查询所有子节点。
- 移除子节点： $childNode->parentNode->removeChild($childNode); 遍历所有子节点，并将其从父节点移除。
- 输出结果： echo $rootNode->nodeValue . "\n"; 输出根节点的文本内容，即移除 HTML 标签后的纯文本。
运行结果：
Hey my name is . I am a !
注意事项
- 容器节点： 上述代码假设提供的 HTML 字符串没有容器节点，或者容器节点的内容不需要被移除。如果需要移除潜在的容器节点，则需要更复杂的逻辑来区分原始容器节点和 DOMDocument 自动添加的容器节点。
-
未闭合标签： 如果 HTML 字符串中存在未闭合的标签，DOMDocument 会自动添加闭合标签，这可能导致意外的结果。例如，Hello 会被解析为Hello，然后整个 div 及其内容会被移除。因此，确保 HTML 字符串的格式正确非常重要。
- 性能： 对于大型 HTML 字符串，使用 DOMDocument 和 DOMXPath 可能比较耗时。在性能敏感的场景中，可以考虑使用正则表达式或其他更轻量级的方法，但需要注意正则表达式可能无法处理复杂的 HTML 结构。
总结
使用 DOMDocument 和 DOMXPath 是一个可靠的方法，可以从 PHP 字符串中移除 HTML 标签及其内容。通过合理配置选项和注意潜在的问题，可以确保代码的正确性和健壮性。在实际应用中，需要根据具体的需求选择最合适的方法。
