我需要将字符串截断为指定长度，忽略 HTML 标签。 我找到了合适的功能here .
所以我对其进行了轻微的更改，添加了缓冲区输入 ob_start();
问题出在 UTF-8 上。如果截断字符串的最后一个符号来自 间隔 [ą,č,ę,ė,į,š,ų,ū,ž]，然后我得到替换字符 U+FFFD � 在字符串的末尾。
这是我的代码。您可以复制粘贴并自行尝试:
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>String truncate</title>
</head>
<?php
$html = '<b>Koks nors tekstas</b>. <p>Lietuviškas žodis.</p>';
$html = html_truncate(27, $html);
echo $html;
/* Truncate HTML, close opened tags
*
* @param int, maxlength of the string
* @param string, html
* @return $html
*/
function html_truncate($maxLength, $html){
$printedLength = 0;
$position = 0;
$tags = array();
ob_start();
while ($printedLength < $maxLength && preg_match('{</?([a-z]+)[^>]*>|&#?[a-zA-Z0-9]+;}', $html, $match, PREG_OFFSET_CAPTURE, $position)){
list($tag, $tagPosition) = $match[0];
// Print text leading up to the tag.
$str = substr($html, $position, $tagPosition - $position);
if ($printedLength + strlen($str) > $maxLength){
print(substr($str, 0, $maxLength - $printedLength));
$printedLength = $maxLength;
break;
}
print($str);
$printedLength += strlen($str);
if ($tag[0] == '&'){
// Handle the entity.
print($tag);
$printedLength++;
}
else{
// Handle the tag.
$tagName = $match[1][0];
if ($tag[1] == '/'){
// This is a closing tag.
$openingTag = array_pop($tags);
assert($openingTag == $tagName); // check that tags are properly nested.
print($tag);
}
else if ($tag[strlen($tag) - 2] == '/'){
// Self-closing tag.
print($tag);
}
else{
// Opening tag.
print($tag);
$tags[] = $tagName;
}
}
// Continue after the tag.
$position = $tagPosition + strlen($tag);
}
// Print any remaining text.
if ($printedLength < $maxLength && $position < strlen($html))
print(substr($html, $position, $maxLength - $printedLength));
// Close any open tags.
while (!empty($tags))
printf('</%s>', array_pop($tags));
$bufferOuput = ob_get_contents();
ob_end_clean();
$html = $bufferOuput;
return $html;
}
?>
<body>
</body>
</html>
此函数结果如下所示:
Koks Nors tekstas。
立陶宛…
知道为什么这个函数会搞乱 UTF-8 吗？
最佳答案
Any ideas why this function is messing up with UTF-8 ?
一般问题是该函数不处理 UTF-8 字符串，而是处理 US-ASCII、Latin-1 或任何其他单字节字符集的字符串。
您正在寻求使该函数与 UTF-8 字符集兼容。 UTF-8 是一种多字节字符集。
为此，您必须验证该函数内使用的每个字符串函数是否正确处理 UTF-8 多字节字符集:
preg_match需要一个带有umodifierDocs 的模式处理 UTF-8 字符串。substr需要替换为mb_substrDocs .strlen需要替换为mb_strlenDocs
当您处理 HTML 时，使用 DOMDocument 来操作 HTML block 可能会更省钱。这只是一个注释，它更加灵活并且工作正常。
关于PHP HTML 截断和 UTF-8，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/8227040/