不合规范的html段落php处理细则

最近业余时间在维护一个rss聚合应用,就发现很多网站feed的条目摘要存在各种问题,用strip_tags一刀切吧，对摘要的段落和样式扭曲了

例如:有一些网站的摘要是截断输出,例如指定的摘要长度截断,这样会导致摘要中出现非闭合的html标签,下面的摘要是一个例子:

 

$str=<<<EOF

<P>　　【手机中国 导购】时间过得真快，转眼就我们就已经度过了2013年的上半年，而我们也悄无声息地老了半岁。不过随着时间的流逝，手机行业也在快速的进步着，其发展速度之快可以用日新月异来形容了。</P>

 <P align=center><IMG style="BORDER-BOTTOM: black 1px solid; BORDER-LEFT: black 1px solid; BORDER-TOP: black 1px solid; BORDER-RIGHT: black 1px solid" alt="2.2GHz骁龙800四核 上半年热门机N宗最 " align=1 src="http://imgm.cnmo.com/cnmo_product/18_500x375/698/ceFYnyzZgUijQ.jpg"><BR>2012年的旗舰机型HTC Butterfly</P>

 <P>　　回首2012年，手机市场还处于一个相对比较矛盾的时期，国产手机的初露锋芒以及国际大牌的推陈出新，让消费者有些摸不清头脑。到了2013年之后，虽然这个现象还存在着，唯一不同的就是消费者已经逐渐习惯了这个现状，整个手机行业也是在不断的向前进。</P>

 <P>　　毫不夸张的说，今天刚刚上市了一款各个方面都表现突出的机皇级旗舰机，也许明天就被其他品牌旗舰所取代，这是一个不争的事实。但相比来说，每个品牌每款旗舰也都有自己的特长，比如处理器主频高或是屏幕尺寸大等等。</P>

 <P align=center><IMG style="BORDER-BOTTOM: black 1px solid; BORDER-LEFT: black 1px solid; BORDER-TOP: black 1px solid; BORDER-RIGHT: black 1px solid" alt="6.44英寸屏骁龙800 上半年热门机N宗最 " src="http://img.cnmo-img.com.cn/905/904155.jpg"></P>

 <P>　　俗话说风水轮流转，曾经榜上有名的强机也许今天就名落孙山，物竞天择，适者生存这句话说的不无道理。今天笔者也给大家统计了2013上半年最新智能手机N宗最，下面就让我们一起看一下吧。<STRONG>

EOF;

上面的摘要有几点不合法:
1.html标签大写
2.最后一个strong由于截断没有正常闭合,strong的父标签p丢失
3.标签的属性中出现了一些样式属性和定义,像:align,style

下面说一说它们的影响
2:如果不加处理的输出会造成页面样式混乱,像非正常闭合的strong浏览器会自动把它后面的输出算成它的子元素.
3:样式定义可能影响你的页面样式,图片溢出你的摘要容器
1:不会造成视觉上的错误,但它会影响你的html合法性

下面来说说处理方法
3:可以用正则把属性给替换掉,像

 

 

preg_replace("/<([a-z][a-z0-9]*)(?:[^>]*(\ssrc=['\"][^'\"]*['\"]))?[^>]*?(\/?)>/i",'<$1$2$3>',$str);

2:可以用DOMNode::C14N方法来规范,它可以把丢失的标签给补上,只不过<img />会变成<img></img>

 

等等:
1.为什么不用strip_tags来处理呢?
是可以,虽然它也可以保留指定的标签,但我会把哪些不安全的标签交给htmlentities

2.好像dom可以删除属性吧!
对,这是下面要讲的,综合处理1,2,3的代码如下

 

$doc = new DOMDocument();

$doc->formatOutput=false;



$doc->loadHTML(mb_convert_encoding($str, 'HTML-ENTITIES', 'UTF-8'));

$nodes = $doc->getElementsByTagName('*');

foreach ( $nodes as $node ) {

	$delAtts=array();

	//找到节点的所有属性

	$nodeN=$node->tagName;

	$nodeAtts=$node->attributes;

	foreach($nodeAtts as $attN=>$att){

		//是img保留src属性

		if(strtolower($attN)=='src' && strtolower($nodeN)=='img') continue;

		//不是直接删除所有属性

		array_push($delAtts,$attN);

	}

	foreach($delAtts as $A){

		$node->removeAttribute($A);

	}

}

$doc->saveHTML();

$pstr=$doc->GetElementsByTagName('body')->item(0)->C14N();

//clear empty tag

$pstr=preg_replace('/<(\w+)>(\s| )*<\/\1>/i',"",$pstr);

大体上已经OK了,$pstr的内容是body包裹的$str,最后只需要把body解决掉就可以.
最后要说的有几点:
1.一定不要在遍历属性时把它删除,例如:img有三个属性style,src,alt,它只会删除掉style,style后面的并不会删除
2.一定不要用saveHTML()的返回值作为后续处理的内容,后果是汉字变成如下的东东:

 

&#12288;&#12288;&#22238;&#39318;2012&#24180;&#65292;&#25163;&#26426;&#24066;&#22330;&#36824

也不要怕，只需要再调一次

 

mb_convert_encoding($str, 'UTF-8','HTML-ENTITIES')

就ok了,为了偷懒，所以它的返回值不要用

 

 

3.$doc->GetElementsByTagName('body')->item(0)->C14N();

也可以换成:

 

 

$doc->documentElement->C14N();

只不过返回值不光有body还有html标签,不在乎的话也可以用它,毕竟比GetElementsByTagName更省事