PHP将HTML转换为纯文本的高效正则方案
发布时间：2026-10-15 |
2人浏览过
本文将介绍如何利用 PHP 的正则替换功能，去除 HTML 文档中的标签、脚本及特殊符号，并将其中的通用实体转为对应的文本字符，从而获得干净的纯文本内容。
实现目标与核心逻辑
在处理网页爬虫或数据清洗任务时，经常需要将结构化的 HTML 文档转换为便于阅读和分析的纯文本。上述代码主要解决三个问题：
- 清理多余内容：移除
<script>及其内部代码，以及所有非必要的 HTML 标签。 - 规范格式：消除多余的空白字符和换行符，保持文本连贯性。
- 还原实体：将
&、<等通用 HTML 实体转换回可读的特殊字符（如引号、尖括号等）。
具体操作步骤
第1步：定义搜索与替换数组
使用关联数组分别定义需要匹配的模式（$search）和替换后的结果（$replace）。这能确保处理顺序和对应关系清晰可控。
<?php
// $document 应包含一个 HTML 文档。
// 本例将去掉 HTML 标记，javascript 代码
// 和空白字符。还会将一些通用的
// HTML 实体转换成相应的文本。
$search = array (
"'<script[^>]*?>.*?</script>'si", // 去掉 javascript
"'<[\/\!]*?[^<>]*?>'si", // 去掉 HTML 标记
"'([\r\n])[\s]+'", // 去掉空白字符
"'&(quot|#34);'i", // 替换 HTML 实体
"'&(amp|#38);'i",
"'&(lt|#60);'i",
"'&(gt|#62);'i",
"'&(nbsp|#160);'i",
"'&(iexcl|#161);'i",
"'&(cent|#162);'i",
"'&(pound|#163);'i",
"'&(copy|#169);'i",
"'&#(\d+);'e" // 作为 PHP 代码运行
);
$replace = array (
"",
"",
"\\1",
"\"",
"&",
"<",
">",
" ",
chr(161),
chr(162),
chr(163),
chr(169),
"chr(\\1)"
);
?>
- 关键参数说明：
- 前三个模式使用了s修饰符以支持点号匹配换行符，i表示不区分大小写。
- 最后一个模式使用了e修饰符，允许$replace中的chr(\1)被当作 PHP 代码执行，从而实现动态转换任意数字实体。
第2步：执行正则替换并获取结果
调用 preg_replace() 函数，传入上一步定义的数组，对原始 HTML 字符串进行处理。
$text = preg_replace ($search, $replace, $document); ?>
此时 $text 变量即为去除了脚本、标签和特殊格式后的纯文本。该方法在处理简单到中等复杂度的 HTML 片段时效率较高且易于维护。
注意事项
虽然该正则方案简洁有效，但面对极度复杂嵌套的 HTML 结构或含有大量自定义标签的场景，建议使用专门的 HTML 解析器（如 DOMDocument 或第三方库）以获得更稳定的解析结果。此外，正则 e 修饰符在部分新版 PHP 环境中已被废弃或需配置严格环境，使用时请注意兼容性。
以上就是将HTML转换成文本的详细内容，更多关于PHP转换技巧的资料请关注本站其它相关文章！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
