如何在 PHP 中只提取 HTML 字符串中的文本内容？

Question

我在数据库中存储了 HTML 字符串，我只想提取文本内容，去掉所有 HTML 标签。在 PHP 中执行此操作的最佳方法是什么？

我想提取纯文本。我怎样才能实现这个目标？

您可以使用 PHP 的 DOMDocument 类来解析 HTML 并提取文本内容。方法如下：

<?php
    require_once 'includes/connection.inc.php';

    function removeElementsByTagName($tagName, $document)
    {
        $nodeList = $document->getElementsByTagName($tagName);
        for ($nodeIdx = $nodeList->length; --$nodeIdx >= 0;) {
            $node = $nodeList->item($nodeIdx);
            $node->parentNode->removeChild($node);
        }
    }

    $fetch_data = "SELECT * FROM emails";
    $fetch_data_conn = mysqli_query($connection, $fetch_data);

    while ($row = mysqli_fetch_assoc($fetch_data_conn)) {
        $content = $row["content"];

        $doc = new DOMDocument();
        libxml_use_internal_errors(true);
        $doc->loadHTML($content);
        libxml_clear_errors();
    
        removeElementsByTagName('script', $doc);
        removeElementsByTagName('style', $doc);
        removeElementsByTagName('link', $doc);

        $textContent = strip_tags($doc->saveHTML());
    
        echo $textContent;
        echo "<hr>";
    }
    ?>

此代码使用 DOMDocument 解析 HTML 和 strip_tags 来删除任何剩余的标签，只留下纯文本内容。

Answer 1

<?php
require_once 'includes/connection.inc.php';

// Helper function to remove all elements with a specific tag name
function removeElementsByTagName($tagName, $document) {
    $nodeList = $document->getElementsByTagName($tagName);
    for ($nodeIdx = $nodeList->length; --$nodeIdx >= 0;) {
        $node = $nodeList->item($nodeIdx);
        $node->parentNode->removeChild($node);
    }
}

// Fetch emails from the database
$fetch_data = "SELECT * FROM emails";
$fetch_data_conn = mysqli_query($connection, $fetch_data);

while ($row = mysqli_fetch_assoc($fetch_data_conn)) {
    $content = $row["content"];

    // Create a new DOMDocument object
    $doc = new DOMDocument();
    
    // Suppress HTML parsing errors
    libxml_use_internal_errors(true);
    
    // Load the HTML content
    $doc->loadHTML($content);
    
    // Clear error messages
    libxml_clear_errors();

    // Remove unwanted tags
    removeElementsByTagName('script', $doc);
    removeElementsByTagName('style', $doc);
    removeElementsByTagName('link', $doc);

    // Remove remaining HTML tags and get plain text
    $textContent = strip_tags($doc->saveHTML());

    // Print the result
    echo $textContent;
    echo "<hr>";
}
?>