php截取html摘要，自动检查html标签闭合[学习]

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：

<?php

/**

* 生成摘要

* @param (string) $body

*  正文

* @param (int) $size

*  摘要长度

* @param (int) $format

*  输入格式 id

*/

function blog_summary($body, $size, $format = NULL){

 $_size = mb_strlen($body, 'utf-8');

  

 if($_size <= $size) return $body;

  

 // 输入格式中有 PHP 过滤器

//  if(!isset($format) && filter_is_php($format)){

//   return $body;

//  }

  

 $strlen_var = strlen($body);

  

 // 不包含 html 标签

 if(strpos($body, '<') === false){

   return mb_substr($body, 0, $size);

 }

  

 // 包含截断标志，优先

 if($e = strpos($body, '<!-- break -->')){

   return mb_substr($body, 0, $e);

 }

  

 // html 代码标记

 $html_tag = 0;

  

 // 摘要字符串

 $summary_string = '';

  

 /**

  * 数组用作记录摘要范围内出现的 html 标签

  * 开始和结束分别保存在 left 和 right 键名下

  * 如字符串为：<h3><p><b>a</b></h3>，假设 p 未闭合

  * 数组则为：array('left' => array('h3', 'p', 'b'), 'right' => 'b', 'h3');

  * 仅补全 html 标签，<? <% 等其它语言标记，会产生不可预知结果

  */

 $html_array = array('left' => array(), 'right' => array());

 for($i = 0; $i < $strlen_var; ++$i) {

   if(!$size){

     break;

   }

    

   $current_var = substr($body, $i, 1);

    

   if($current_var == '<'){

     // html 代码开始

     $html_tag = 1;

     $html_array_str = '';

   }else if($html_tag == 1){

     // 一段 html 代码结束

     if($current_var == '>'){

       /**

        * 去除首尾空格，如 <br /  > < img src="" / > 等可能出现首尾空格

        */

       $html_array_str = trim($html_array_str);

        

       /**

        * 判断最后一个字符是否为 /，若是，则标签已闭合，不记录

        */

       if(substr($html_array_str, -1) != '/'){

          

         // 判断第一个字符是否 /，若是，则放在 right 单元

         $f = substr($html_array_str, 0, 1);

         if($f == '/'){

           // 去掉 /

           $html_array['right'][] = str_replace('/', '', $html_array_str);

         }else if($f != '?'){

           // 判断是否为 ?，若是，则为 PHP 代码，跳过

            

           /**

            * 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

            * 如 <h2 class="a"> <p class="a">

            */

           if(strpos($html_array_str, ' ') !== false){

             // 分割成2个单元，可能有多个空格，如：<h2 class="" id="">

             $html_array['left'][] = strtolower(current(explode(' ', $html_array_str, 2)));

           }else{

             /**

              * * 若没有空格，整个字符串为 html 标签，如：<b> <p> 等

              * 统一转换为小写

              */

             $html_array['left'][] = strtolower($html_array_str);

           }

         }

       }

        

       // 字符串重置

       $html_array_str = '';

       $html_tag = 0;

     }else{

       /**

        * 将< >之间的字符组成一个字符串

        * 用于提取 html 标签

        */

       $html_array_str .= $current_var;

     }

   }else{

     // 非 html 代码才记数

     --$size;

   }

    

   $ord_var_c = ord($body{$i});

    

   switch (true) {

     case (($ord_var_c & 0xE0) == 0xC0):

       // 2 字节

       $summary_string .= substr($body, $i, 2);

       $i += 1;

     break;

     case (($ord_var_c & 0xF0) == 0xE0):

        

       // 3 字节

       $summary_string .= substr($body, $i, 3);

       $i += 2;

     break;

     case (($ord_var_c & 0xF8) == 0xF0):

       // 4 字节

       $summary_string .= substr($body, $i, 4);

       $i += 3;

     break;

     case (($ord_var_c & 0xFC) == 0xF8):

       // 5 字节

       $summary_string .= substr($body, $i, 5);

       $i += 4;

     break;

     case (($ord_var_c & 0xFE) == 0xFC):

       // 6 字节

       $summary_string .= substr($body, $i, 6);

       $i += 5;

     break;

     default:

       // 1 字节

       $summary_string .= $current_var;

   }

 }

 

 if($html_array['left']){

   /**

    * 比对左右 html 标签，不足则补全

    */

    

   /**

    * 交换 left 顺序，补充的顺序应与 html 出现的顺序相反

    * 如待补全的字符串为：<h2>abc<b>abc<p>abc

    * 补充顺序应为：</p></b></h2>

    */

   $html_array['left'] = array_reverse($html_array['left']);

    

   foreach($html_array['left'] as $index => $tag){

     // 判断该标签是否出现在 right 中

     $key = array_search($tag, $html_array['right']);

     if($key !== false){

       // 出现，从 right 中删除该单元

       unset($html_array['right'][$key]);

     }else{

       // 没有出现，需要补全

       $summary_string .= '</'.$tag.'>';

     }

   }

 }

 return $summary_string;

}

 

 

$html ='<span style="font-family: comic sans ms,cursive;">Afghanistan<br />

<br />

<span style="color: rgb(15, 95, 38); font-size: 15px; font-weight: bold; display: block;">testsetset</span><br />

<br />

asdf<a href="http://www.google.com">http://ww<span style="font-size: 72px;">w.google.com</span></a></span>';

 

echo blog_summary($html,50);

?>