掌握PHP中清除HTML标签内容的技巧

原创于 2025-08-14 15:22:22 发布 · 1k 阅读

本内容遵循CC 4.0 BY-SA版权协议

简介：在PHP开发中，经常需要处理HTML字符串并获取纯文本信息。本文通过 strip_tags 函数和正则表达式，以及 DOMDocument 类，向开发者展示如何从HTML字符串中移除标签及其内容。示例包括去除所有标签、特定标签以及保留文本内容等操作，以应对不同场景的需求。

1. PHP 删除html标签和标签内的内容的方法

在处理网页内容或者用户输入数据时，去除HTML标签通常是一个常见的需求，以确保数据的安全性和整洁性。在PHP中，可以采用多种方法实现这一需求，主要涉及内置函数和正则表达式的技术应用。这些技术各有优劣，适用于不同的使用场景。

本章节将介绍一种基础且常见的方法，即利用PHP内置的 strip_tags() 函数来删除HTML标签。 strip_tags() 函数能够有效地从字符串中去除HTML和PHP标签，使得输出结果仅包含文本内容。之后的章节将深入讨论该函数的详细用法、限制以及如何自定义标签的删除规则。为了提供更加灵活和强大的处理能力，还会探讨使用正则表达式和DOM解析技术来实现对HTML标签的精细操作。通过对比这些方法，读者可以更好地选择适合自己特定需求的方案。

接下来，我们将详细了解如何使用 strip_tags() 函数，并展示其在删除HTML标签方面的强大功能。

2. PHP `strip_tags` 函数的使用

2.1 `strip_tags` 函数的基本语法和参数

2.1.1 函数的定义和基本用法

strip_tags 函数是PHP中用来去除字符串中的HTML和PHP标签的一个内建函数。这个函数在处理用户输入，清理数据方面尤其有用，以防止跨站脚本攻击（XSS）。其基本用法非常简单，只需要将待处理的字符串作为参数传递给函数即可。

// 基本用法示例
$text = '<p>Example</p> <a href="#fragment">Other text</a>';
echo strip_tags($text); // 输出: Example Other text

该函数的返回值为一个字符串，内容是去除了标签之后的结果。如果输入的字符串为空，返回结果也将是空字符串。

2.1.2 函数的参数解析和示例

除了待处理的字符串之外， strip_tags 函数还允许使用第二个可选参数来指定允许保留的标签列表。这通常用于保留一些无害的标签，例如 <em> 或 <strong> ，从而在去除了可能有害的标签的同时，还能保持一些格式。

// 带有第二个参数的使用示例
$text = '<p>Test paragraph.</p><!-- Comment --> <a href="#fragment">Other text</a>';
allowed_tags = '<p><a>';
echo strip_tags($text, $allowed_tags); // 输出: <p>Test paragraph.</p> <a href="#fragment">Other text</a>

在上述示例中， <p> 和 <a> 标签被保留了，而注释部分  则被移除了，因为它是不允许的标签。

2.2 `strip_tags` 函数的限制和解决方法

2.2.1 函数不能删除的标签和属性

strip_tags 函数尽管使用简单，但其也有局限性。它不能删除HTML标签内的所有属性，特别是那些位于双引号内的属性。而且，函数也不支持标签的嵌套规则。

// 标签内属性保留示例
$text = '<div class="container">Content</div>';
echo strip_tags($text); // 输出: Content

在上述示例中，即使 class 属性是 <div> 标签的一部分，但在使用 strip_tags 函数后，它仍然被保留了下来。

2.2.2 解决方法：自定义标签和属性的删除

为了删除 strip_tags 函数不能移除的标签和属性，我们可以采用其他方法，如使用正则表达式或 DOMDocument 来定制处理逻辑。例如，我们可以利用正则表达式来移除标签内的属性。

// 自定义标签和属性的删除
$text = '<div class="container">Content</div>';
$text = preg_replace('/(<\w+\s+[^>]*class="[^"]*")>/i', '$1>', $text);
echo strip_tags($text); // 输出: <div>Content</div>

在这个例子中，我们使用了 preg_replace 函数来匹配带有 class 属性的 <div> 标签，并移除了 class 属性，随后再用 strip_tags 去除标签。

表格：strip_tags函数支持和不支持的标签处理案例

输入字符串	strip_tags处理结果	自定义正则表达式处理结果
`<p>Text</p>`	Text	Text
`<div class="container">Text</div>`	Text	Text
`<a href="link">Link</a><img src="image.jpg" alt="Image">`	LinkImage	LinkImage

Mermaid流程图：strip_tags函数的处理流程

graph TD;
    A[输入字符串] -->|strip_tags| B[去除HTML标签];
    A -->|自定义正则表达式| C[保留特定标签与属性];
    B --> D[输出纯文本结果];
    C -->|进一步处理| D;

通过结合 strip_tags 函数和正则表达式，我们可以更灵活地处理HTML内容，以适应不同的安全需求和格式保持的要求。

3. `strip_tags` 删除特定HTML标签的实现

3.1 删除指定的HTML标签

3.1.1 指定单一标签的删除方法

在处理HTML文本时，经常需要移除某些特定的标签，例如广告、脚本或者样式标签。PHP的 strip_tags 函数提供了一种简单快捷的方式来实现这一点。为了删除特定的单一标签，只需将要保留的标签字符串作为第二个参数传递给函数。

$htmlContent = '<p>Hello <b>World</b>!</p><script>alert("Hello World!");</script>';
$allowedTag = '<p>'; // 指定仅允许保留<p>标签
$sanitizedContent = strip_tags($htmlContent, $allowedTag);
echo $sanitizedContent; // 输出: <p>Hello <b>World</b>!</p>

在这个例子中，我们定义了 $allowedTag 变量，其中包含了允许保留在HTML内容中的标签。 strip_tags 函数将移除所有不在这个允许列表中的标签。需要注意的是，即使指定的标签包含子标签， strip_tags 也会将其删除。

3.1.2 指定多个标签的删除方法

在实际应用中，我们经常需要删除多个标签。 strip_tags 函数允许我们传入一个字符串，其中包含多个用逗号分隔的标签，这样我们就可以一次性删除多个标签。

$htmlContent = '<div>Hello <b>World</b>!</div><script>alert("Hello World!");</script>';
$allowedTags = '<b>, <i>'; // 指定允许保留<b>和<i>标签
$sanitizedContent = strip_tags($htmlContent, $allowedTags);
echo $sanitizedContent; // 输出: <b>World</b>

在这个例子中，我们希望保留 <b> 和 <i> 标签，但删除其他所有标签。我们使用了逗号分隔的字符串 '<b>, <i>' 作为 strip_tags 的第二个参数，达到了预期的结果。

3.1.3 删除特定标签内的内容

如果我们不仅想删除特定标签，还想删除这些标签内的内容，那么需要在标签字符串中使用闭合标签。例如，如果我们想删除 <b> 标签及其内部内容，我们应该这样写：

$htmlContent = '<p>Hello <b>World</b>!</p><b>Secret content</b>';
$allowedTags = '</b>'; // 使用闭合标签</b>
$sanitizedContent = strip_tags($htmlContent, $allowedTags);
echo $sanitizedContent; // 输出: <p>Hello !</p>

在这个例子中，我们使用了 </b> 来告诉 strip_tags 删除 <b> 标签和它包含的内容。需要注意的是，我们不需要在闭合标签前加斜杠 / ，因为 strip_tags 识别闭合标签是不需要斜杠的。

3.2 自定义删除HTML标签规则

3.2.1 通过正则表达式自定义标签规则

strip_tags 函数虽然方便，但其自定义标签的能力有限，仅限于指定允许保留的标签列表。如果需要更精细的控制，例如删除所有标签但保留文本或者特定格式的标签，我们可能需要使用正则表达式。

下面的示例展示了如何使用正则表达式删除所有的HTML标签，只保留纯文本内容。

$htmlContent = '<p>Hello <b>World</b>!</p>';
$pattern = '/<[^>]+>/'; // 正则表达式匹配所有标签
$sanitizedContent = preg_replace($pattern, '', $htmlContent);
echo $sanitizedContent; // 输出: Hello World!

3.2.2 通过数组自定义标签规则

有时，可能需要根据内容的上下文动态地决定删除哪些标签。在这种情况下，可以通过数组指定需要删除的标签列表，然后使用循环结合 strip_tags 函数来实现。

$htmlContent = '<div>Hello <b>World</b>!</div><div><i>Italic</i></div>';
$tagsToRemove = ['<div>', '</div>', '<b>', '</b>']; // 指定要删除的标签数组
foreach ($tagsToRemove as $tag) {
    $htmlContent = strip_tags($htmlContent, $tag);
}
echo $htmlContent; // 输出: Hello World!

在这个例子中，我们先定义了一个数组 $tagsToRemove ，包含了所有需要删除的标签。通过循环，我们多次调用 strip_tags 函数，每次移除一个标签。需要注意的是，这种方法效率较低，因为它重复调用函数多次，对于性能要求高的场景可能不是最佳选择。

4. 使用正则表达式删除所有HTML标签和内容

正则表达式是处理文本和数据的强大工具，尤其在需要精确匹配或替换字符串中的特定模式时。在PHP中，正则表达式可用于删除HTML标签及其内容，但需谨慎使用，因为复杂的HTML结构可能会导致正则表达式的匹配规则变得复杂。接下来，我们将深入探讨正则表达式在删除HTML标签和内容中的应用。

4.1 正则表达式的基本语法和规则

4.1.1 正则表达式的基本符号和功能

正则表达式由一系列字符和符号组成，可以定义搜索模式的复杂规则。基本符号包括：

. ：匹配除换行符之外的任何单个字符。
* ：匹配前面的子表达式零次或多次。
+ ：匹配前面的子表达式一次或多次。
? ：匹配前面的子表达式零次或一次。
{n} ：匹配确定的n次。
[abc] ：匹配括号内的任何字符。
[^abc] ：匹配不在括号内的任何字符。
^ ：匹配输入字符串的开始位置，除非在方括号表达式中使用。
$ ：匹配输入字符串的结束位置，除非在方括号表达式中使用。

4.1.2 正则表达式的HTML标签匹配规则

要匹配HTML标签，我们通常会使用如下的正则表达式模式：

/<[^>]+>/

这个模式表示匹配尖括号内的任何内容，尖括号是HTML标签的界定符号， [^>]+ 表示匹配一个或多个非尖括号字符。

4.2 正则表达式删除HTML标签和内容的实现

4.2.1 单一标签和内容的删除方法

删除单一HTML标签，比如 <br> 或 <img> ，可以通过特定的正则表达式实现。但需要注意的是，正则表达式在处理嵌套标签时可能不会工作得很好，除非额外设计匹配规则。

$text = "这是一个<br/>简单测试。";

// 使用正则表达式删除单一标签
$cleaned_text = preg_replace('/<br\/?>/', '', $text);

echo $cleaned_text;  // 输出：这是一个简单测试。

在上述代码中，我们使用 preg_replace 函数来实现正则表达式的替换功能。我们定义的正则表达式 /<br\/?> 将匹配 <br> 或者 <br/> （自闭合标签）。这种简单替换方法适用于不需要考虑标签属性和嵌套关系的场景。

4.2.2 多个标签和内容的删除方法

删除多个标签及其内容需要更复杂的正则表达式，并且可能需要多次替换。然而，由于HTML的复杂性和多样性，用正则表达式彻底删除所有标签可能会导致一些非标准或自定义标签被遗漏。

$text = "<div>这是一段文本。<p>另一个段落。</p></div>";

// 删除所有HTML标签
$cleaned_text = preg_replace('/<[^>]+>/', '', $text);

echo $cleaned_text;  // 输出：这是文本。另一个段落。

这段代码中的正则表达式 /<[^>]+>/ 用于匹配任何尖括号内的内容。但请注意，此方法可能无法处理嵌套的标签、带有特殊字符的数据，或者具有属性的标签（例如 <div class="some-class"> ），因为它们被当作字符串的一部分删除，而不是标签。因此，使用正则表达式来处理HTML内容时要格外小心。

尽管使用正则表达式可以快速从文本中删除HTML标签，但在处理复杂HTML文档时，这种方法可能不够健壮。正则表达式无法理解HTML的嵌套结构，也无法保留文本中的重要信息，如段落或列表。因此，在某些情况下，使用像 DOMDocument 这样的库可能是更好的选择，尽管这可能会引入更高的性能开销。

5. `DOMDocument` 和 `DOMXPath` 处理HTML文本节点

5.1 `DOMDocument` 的基本使用方法

5.1.1 `DOMDocument` 的定义和功能

DOMDocument 是PHP的一个类，属于DOM API的一部分，用于操作XML和HTML文档。这个类的主要功能是允许开发者以面向对象的方式解析、修改和创建XML和HTML文档。通过加载HTML内容为DOM结构，我们可以访问和修改文档的各个部分，比如元素节点、属性节点、文本节点等。

5.1.2 `DOMDocument` 的HTML文本节点处理方法

要使用 DOMDocument 来处理HTML文本节点，我们首先需要创建一个 DOMDocument 实例，然后加载HTML内容。接着，我们可以利用DOM提供的各种方法来遍历文档树，找到特定的节点并进行操作。例如，我们可以清除一个元素内的文本内容，或者删除某个特定的元素节点。

$doc = new DOMDocument();
$doc->loadHTML($htmlString); // 加载HTML内容
$xpath = new DOMXPath($doc);

// 获取所有的文本节点
$xpathQuery = "//text()";
$textNodes = $xpath->query($xpathQuery);

foreach ($textNodes as $node) {
    // 如果你想删除文本节点，使用以下代码
    // $node->parentNode->removeChild($node);

    // 如果你想替换文本节点，使用以下代码
    $newNode = $doc->createTextNode('');
    $node->parentNode->replaceChild($newNode, $node);
}

echo $doc->saveHTML(); // 输出修改后的HTML

在上面的代码中，我们首先加载了一个HTML字符串到 DOMDocument 对象中。然后，使用 DOMXPath 对象来查询所有的文本节点。对于每个找到的节点，我们有两种操作选择：要么移除节点，要么替换节点。最后，我们使用 saveHTML() 方法来输出修改后的HTML内容。

5.2 `DOMXPath` 的基本使用方法

5.2.1 `DOMXPath` 的定义和功能

DOMXPath 是 DOMDocument 的一个扩展，它提供了对XPath的支持。XPath是一种强大的查询语言，能够让你通过路径表达式来查找XML或HTML文档中的节点。通过 DOMXPath ，我们可以非常灵活地访问和操作DOM中的任何节点，包括但不限于元素、属性、文本和注释。

5.2.2 `DOMXPath` 的HTML文本节点处理方法

DOMXPath 提供了丰富的API来操作HTML和XML文档。在处理文本节点时，我们经常使用 DOMXPath 来定位特定的文本内容，并进行相应的操作。例如，我们可以通过XPath表达式找到所有包含特定文本的元素节点，然后选择是否要删除这些节点或者修改它们的文本内容。

$doc = new DOMDocument();
$doc->loadHTML($htmlString); // 加载HTML内容
$xpath = new DOMXPath($doc);

// 用XPath查找所有的<p>元素节点中的文本内容
$xpathQuery = "//p/text()";
$textNodes = $xpath->query($xpathQuery);

foreach ($textNodes as $node) {
    // 这里可以选择删除或替换文本节点
    $node->parentNode->removeChild($node);
}

echo $doc->saveHTML(); // 输出修改后的HTML

在这个例子中，我们使用 DOMXPath 对象来查找所有 <p> 元素节点内的文本节点，并通过循环将每个找到的文本节点从其父节点中移除，最后输出修改后的HTML内容。这种方法非常适合于需要细粒度控制文档结构的场景。

6. 根据不同需求选择处理HTML字符串的方法

在处理HTML字符串时，根据不同的需求场景，选择最合适的工具和方法至关重要。下面我们将对比常见的几种处理方法，并探讨如何根据需求选择最合适的处理方式。

6.1 不同需求的处理方法对比

6.1.1 `strip_tags` 函数和正则表达式的比较

strip_tags 函数是PHP中用于移除HTML或PHP标签的内置函数，非常适合快速去除字符串中的所有HTML标签，而不考虑标签的具体内容。它有一个重要的优势：使用简单且执行效率高。

$text = '<p>这是段落。</p><b>加粗文本</b>';
$cleaned_text = strip_tags($text); // 输出结果为："这是段落。加粗文本"

然而， strip_tags 函数有其局限性，比如它不能针对特定的标签或属性进行删除，而这一点通过正则表达式可以实现。正则表达式提供了强大的灵活性，可以匹配和处理复杂的文本模式，例如特定的标签、属性或内容。

$text = '<p>这是段落。</p><b>加粗文本</b>';
$cleaned_text = preg_replace('/<[^>]*>/', '', $text); // 输出结果为："这是段落。加粗文本"

6.1.2 `DOMDocument` 和 `DOMXPath` 的比较

DOMDocument 和 DOMXPath 是处理HTML和XML文档的另一种强大工具，它们可以帮助我们解析和操作HTML文档的DOM树。 DOMDocument 用于加载HTML文档并构建DOM树，而 DOMXPath 用于执行XPath查询，操作DOM树中的节点。

DOMDocument 能够处理包含嵌套结构的复杂HTML文档，并且它能够在一定程度上验证HTML结构的有效性，对于复杂的HTML结构， DOMDocument 通常比 strip_tags 或正则表达式更加可靠。

$doc = new DOMDocument();
$doc->loadHTML($htmlString);
$xpath = new DOMXPath($doc);
$nodes = $xpath->query('//tag[@attribute="value"]');
foreach ($nodes as $node) {
    // 对节点进行操作
}

DOMDocument 和 DOMXPath 的主要缺点是它们相对较重，对于简单的字符串处理，可能会有性能上的开销。但是，它们的优势在于能够处理复杂的HTML结构并保留必要的信息，如标签的层级关系。

6.2 选择最合适的处理方法

在选择处理HTML字符串的方法时，需要考虑以下两个关键因素：HTML内容的复杂度和处理效率及性能。

6.2.1 根据HTML内容的复杂度选择方法

当处理的是简单的HTML字符串且没有特殊的处理需求时，使用 strip_tags 函数是最直接和高效的。然而，如果需要针对特定的标签或属性进行精细控制，或者处理内容的复杂度较高（例如嵌套标签、脚本等），则可能需要考虑使用正则表达式。

对于需要保持HTML文档结构和进行复杂查询的场景， DOMDocument 和 DOMXPath 提供了强大的处理能力，尽管这意味着更高的性能开销。

6.2.2 根据处理效率和性能选择方法

从性能角度考虑， strip_tags 函数通常是最快的，因为它不需要解析HTML文档结构，而是直接操作字符串。正则表达式通常比 strip_tags 慢，但比 DOMDocument 快，因为它仍然避免了解析整个HTML文档。

如果性能是关键考虑因素，尤其是在处理大量数据时，需要通过基准测试来决定最适合的方法。在某些情况下，为了保持最佳性能，可能需要结合使用多种方法，例如先用 strip_tags 做快速清理，然后用正则表达式进行细节处理。

处理HTML字符串的方法选择依赖于特定的项目需求和性能考量。理解每种方法的优缺点，以及它们如何适应不同的应用场景，是实现高效和准确HTML字符串处理的关键。

本文还有配套的精品资源，点击获取