Регистрация Войти
Войти через VK Войти через FB Войти через Google Войти через Яндекс
Войти через VK Войти через FB Войти через Google Войти через Яндекс
Поиск по сайту
Вырезать часть html, не разрезая теги на php
Задача: Вам нужно разрезать html на блоки нужного размера. Например, при отправке сообщения в телеграм можно отправлять не больше чем по 4096 символов. Сложность ещё в парных тегах, например вы не можете разрезать часть тега <a ... > ... </a ... >
Варианты решения:
Вариант 1:
function html_cut($text, $max_length)
{
$tags = array();
$result = "";
$is_open = false;
$grab_open = false;
$is_close = false;
$in_double_quotes = false;
$in_single_quotes = false;
$tag = "";
$i = 0;
$stripped = 0;
$stripped_text = strip_tags($text);
while ($i < strlen($text) && $stripped < strlen($stripped_text) && $stripped < $max_length) {
$symbol = $text{$i};
$result .= $symbol;
switch ($symbol) {
case '<':
$is_open = true;
$grab_open = true;
break;
case '"':
if ($in_double_quotes)
$in_double_quotes = false; else $in_double_quotes = true;
break;
case "'":
if ($in_single_quotes) $in_single_quotes = false; else $in_single_quotes = true;
break;
case '/':
if ($is_open && !$in_double_quotes && !$in_single_quotes) {
$is_close = true;
$is_open = false;
$grab_open = false;
}
break;
case ' ':
if ($is_open) $grab_open = false; else $stripped++;
break;
case '>':
if ($is_open) {
$is_open = false;
$grab_open = false;
array_push($tags, $tag);
$tag = "";
} else if ($is_close) {
$is_close = false;
array_pop($tags);
$tag = "";
}
break;
default:
if ($grab_open || $is_close) $tag .= $symbol;
if (!$is_open && !$is_close)
$stripped++;
}
$i++;
}
while ($tags) $result .= "</" . array_pop($tags) . ">";
return $result;
}Пример использования:
$content = html_cut($content, 100);
Вариант 2:
В CakePHP существует метод Text::truncate() который делает обрезку HTML без нарушения структуры тегов:
function truncate($text, $length = 100, $ending = '...', $exact = true, $considerHtml = false)
{
if (is_array($ending)) {
extract($ending);
}
if ($considerHtml) {
if (mb_strlen(preg_replace('/<.*?>/', '', $text)) <= $length) {
return $text;
}
$totalLength = mb_strlen($ending);
$openTags = array();
$truncate = '';
preg_match_all('/(<\/?([\w+]+)[^>]*>)?([^<>]*)/', $text, $tags, PREG_SET_ORDER);
foreach ($tags as $tag) {
if (!preg_match('/img|br|input|hr|area|base|basefont|col|frame|isindex|link|meta|param/s', $tag[2])) {
if (preg_match('/<[\w]+[^>]*>/s', $tag[0])) {
array_unshift($openTags, $tag[2]);
} else if (preg_match('/<\/([\w]+)[^>]*>/s', $tag[0], $closeTag)) {
$pos = array_search($closeTag[1], $openTags);
if ($pos !== false) {
array_splice($openTags, $pos, 1);
}
}
}
$truncate .= $tag[1];
$contentLength = mb_strlen(preg_replace('/&[0-9a-z]{2,8};|&#[0-9]{1,7};|&#x[0-9a-f]{1,6};/i', ' ', $tag[3]));
if ($contentLength + $totalLength > $length) {
$left = $length - $totalLength;
$entitiesLength = 0;
if (preg_match_all('/&[0-9a-z]{2,8};|&#[0-9]{1,7};|&#x[0-9a-f]{1,6};/i', $tag[3], $entities, PREG_OFFSET_CAPTURE)) {
foreach ($entities[0] as $entity) {
if ($entity[1] + 1 - $entitiesLength <= $left) {
$left--;
$entitiesLength += mb_strlen($entity[0]);
} else {
break;
}
}
}
$truncate .= mb_substr($tag[3], 0, $left + $entitiesLength);
break;
} else {
$truncate .= $tag[3];
$totalLength += $contentLength;
}
if ($totalLength >= $length) {
break;
}
}
} else {
if (mb_strlen($text) <= $length) {
return $text;
} else {
$truncate = mb_substr($text, 0, $length - strlen($ending));
}
}
if (!$exact) {
$spacepos = mb_strrpos($truncate, ' ');
if (isset($spacepos)) {
if ($considerHtml) {
$bits = mb_substr($truncate, $spacepos);
preg_match_all('/<\/([az]+)>/', $bits, $droppedTags, PREG_SET_ORDER);
if (!empty($droppedTags)) {
foreach ($droppedTags as $closingTag) {
if (!in_array($closingTag[1], $openTags)) {
array_unshift($openTags, $closingTag[1]);
}
}
}
}
$truncate = mb_substr($truncate, 0, $spacepos);
}
}
$truncate .= $ending;
if ($considerHtml) {
foreach ($openTags as $tag) {
$truncate .= '</' . $tag . '>';
}
}
return $truncate;
}Используйте класс DOMDocument PHP для нормализации фрагмента HTML:
$dom = new DOMDocument();
$dom->loadHTML('<div><p>Hello World');
$xpath = new DOMXPath($dom);
$body = $xpath->query('/html/body');
echo($dom->saveXml($body->item(0)));Вариант 3 с поддержкой UTF-8:
/** * Limit string without break html tags. * Supports UTF8 * *
* @param string $value * @param int $limit Default 100
*/
function str_limit_html($value, $limit = 100)
{
if (mb_strwidth($value, 'UTF-8') <= $limit) {
return $value;
}
// Strip text with HTML tags, sum html len tags too.
// Is there another way to do it?
do {
$len = mb_strwidth($value, 'UTF-8');
$len_stripped = mb_strwidth(strip_tags($value), 'UTF-8');
$len_tags = $len - $len_stripped;
$value = mb_strimwidth($value, 0, $limit + $len_tags, '', 'UTF-8');
} while ($len_stripped > $limit);
// Load as HTML ignoring errors $dom = new DOMDocument();
$doc=new DOMDocument('1.0','utf-8');
@$dom->loadHTML('<?xml encoding="utf-8" ?>' . $value, LIBXML_HTML_NODEFDTD);
// Fix the html errors
$value = $dom->saveHtml($dom->getElementsByTagName('body')->item(0));
// Remove body tag
$value = mb_strimwidth($value, 6, mb_strwidth($value, 'UTF-8') - 13, '', 'UTF-8');
// <body> and </body>
// Remove empty tags
return preg_replace('/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*\/?>\s*<\/\1\s*>/', '', $value);
}Рекомендуется использовать html_entity_decode в начале функции, поэтому сохраните символы UTF-8:
$value = html_entity_decode($value);
Независимо от 100 вопросов подсчета, которые вы указываете в начале, вы указываете в вызове следующее:
- выводить количество символов strip_tags (количество символов в фактическом отображаемом тексте HTML)
- сохранить форматирование HTML
- закрыть любой незавершенный тег HTML
Я анализирую каждый персонаж, подсчитывающий, когда я иду. Я удостоверяюсь, что НЕ подсчитывать любые символы в любом теге HTML. Я также проверяю в конце, чтобы убедиться, что я не посередине, когда останавливаюсь. Как только я остановлюсь, я вернусь к первому доступному пространству или как к точке остановки.
$position = 0;
$length = strlen($content) - 1; // process the content putting each 100 character section into an array
while ($position < $length) {
$next_position = get_position($content, $position, 100);
$data[] = substr($content, $position, $next_position);
$position = $next_position;
}
// show the array
print_r($data);
function get_position($content, $position, $chars = 100)
{
$count = 0; // count to 100 characters skipping over all of the HTML
while ($count <> $chars) {
$char = substr($content, $position, 1);
if ($char == '<') {
do {
$position++;
$char = substr($content, $position, 1);
} while ($char !== '>');
$position++;
$char = substr($content, $position, 1);
}
$count++;
$position++;
}
echo $count . "\n";
// find out where there is a logical break before 100 characters
$data = substr($content, 0, $position);
$space = strrpos($data, " ");
$tag = strrpos($data, ">");
// return the position of the logical break
if ($space > $tag) {
return $space;
} else {
return $tag;
}
}Это также будет учитывать коды возврата и т.д. Учитывая, что они занимают место, я их не удалял.
Вот функция, которую я использую в одном из моих проектов. Он основан на DOMDocument, работает с HTML5 и примерно в 2 раза быстрее, чем другие решения, которые я пробовал (по крайней мере на моей машине, 0,22 мс против 0,43 мс, используя html_cut($text, $max_length) из верхнего ответа на 500 текстовых сообщений, строка узловых символов с лимитом 400).
function cut_html($html, $limit)
{
$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding("<div>{$html}</div>", "HTML-ENTITIES", "UTF-8"), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
cut_html_recursive($dom->documentElement, $limit);
return substr($dom->saveHTML($dom->documentElement), 5, -6);
}
function cut_html_recursive($element, $limit)
{
if ($limit > 0) {
if ($element->nodeType == 3) {
$limit -= strlen($element->nodeValue);
if ($limit < 0) {
$element->nodeValue = substr($element->nodeValue, 0, strlen($element->nodeValue) + $limit);
}
} else {
for ($i = 0; $i < $element->childNodes->length; $i++) {
if ($limit > 0) {
$limit = cut_html_recursive($element->childNodes->item($i), $limit);
} else {
$element->removeChild($element->childNodes->item($i));
$i--;
}
}
}
}
return $limit;
}Вот моя попытка на резаке. Возможно, вы, ребята, можете поймать некоторые ошибки. Проблема, которую я нашел с другими синтаксическими анализаторами, заключается в том, что они не закрывают теги должным образом, и они разрезают посреди слова (бла)
function cutHTML($string, $length, $patternsReplace = false)
{
$i = 0;
$count = 0;
$isParagraphCut = false;
$htmlOpen = false;
$openTag = false;
$tagsStack = array();
while ($i < strlen($string)) {
$char = substr($string, $i, 1);
if ($count >= $length) {
$isParagraphCut = true;
break;
}
if ($htmlOpen) {
if ($char === ">") {
$htmlOpen = false;
}
} else {
if ($char === "<") {
$j = $i;
$char = substr($string, $j, 1);
while ($j < strlen($string)) {
if ($char === '/') {
$i++;
break;
} elseif ($char === ' ') {
$tagsStack[] = substr($string, $i, $j);
}
$j++;
}
$htmlOpen = true;
}
}
if (!$htmlOpen && $char != ">") {
$count++;
}
$i++;
}
if ($isParagraphCut) {
$j = $i;
while ($j > 0) {
$char = substr($string, $j, 1);
if ($char === " " || $char === ";" || $char === "." || $char === "," || $char === "<" || $char === "(" || $char === "[") {
break;
} else if ($char === ">") {
$j++;
break;
}
$j--;
}
$string = substr($string, 0, $j);
foreach ($tagsStack as $tag) {
$tag = strtolower($tag);
if (!in_array($tag,["img","br","hr"])) {
$string .= "</$tag>";
}
}
$string .= "...";
}
if ($patternsReplace) {
foreach ($patternsReplace as $value) {
if (isset($value['pattern']) && isset($value["replace"])) {
$string = preg_replace($value["pattern"], $value["replace"], $string);
}
}
}
return $string;
}.
Прокомментировать/Отблагодарить