将一个大字符串分割成数组，但是分割点不能打断标签。

Question

我写了一个脚本，将文本块发送到Google进行翻译，但有时文本（即html源代码）会在html标签中间分裂，导致Google返回错误的代码。

我已经知道如何将字符串拆分成数组，但是否有更好的方法来确保输出字符串不超过5000个字符，并且不在标签上分裂？

更新：感谢回答，这是我在项目中最终使用的代码，并且运行良好。

function handleTextHtmlSplit($text, $maxSize) {
    //our collection array
    $niceHtml[] = '';

    // Splits on tags, but also includes each tag as an item in the result
    $pieces = preg_split('/(<[^>]*>)/', $text, -1, PREG_SPLIT_DELIM_CAPTURE);

    //the current position of the index
    $currentPiece = 0;

    //start assembling a group until it gets to max size

    foreach ($pieces as $piece) {
        //make sure string length of this piece will not exceed max size when inserted
        if (strlen($niceHtml[$currentPiece] . $piece) > $maxSize) {
            //advance current piece
            //will put overflow into next group
            $currentPiece += 1;
            //create empty string as value for next piece in the index
            $niceHtml[$currentPiece] = '';
        }
        //insert piece into our master array
        $niceHtml[$currentPiece] .= $piece;
    }

    //return array of nicely handled html
    return $niceHtml;
}

- james

Answer 1

注意：我还没有测试过这个代码（所以可能会有一两个小bug），但它应该能给你一个想法：

function get_groups_of_5000_or_less($input_string) {

    // Splits on tags, but also includes each tag as an item in the result
    $pieces = preg_split('/(<[^>]*>)/', $input_string,
        -1, PREG_SPLIT_DELIM_CAPTURE);

    $groups[] = '';
    $current_group = 0;

    while ($cur_piece = array_shift($pieces)) {
        $piecelen = strlen($cur_piece);

        if(strlen($groups[$current_group]) + $piecelen > 5000) {
            // Adding the next piece whole would go over the limit,
            // figure out what to do.
            if($cur_piece[0] == '<') {
                // Tag goes over the limit, just put it into a new group
                $groups[++$current_group] = $cur_piece;
            } else {
                // Non-tag goes over the limit, split it and put the
                // remainder back on the list of un-grabbed pieces
                $grab_amount = 5000 - $strlen($groups[$current_group];
                $groups[$current_group] .= substr($cur_piece, 0, $grab_amount);
                $groups[++$current_group] = '';
                array_unshift($pieces, substr($cur_piece, $grab_amount));
            }
        } else {
            // Adding this piece doesn't go over the limit, so just add it
            $groups[$current_group] .= $cur_piece;
        }
    }
    return $groups;
}

请注意，这可能会在常规单词的中间拆分 - 如果您不希望如此，请修改以// Non-tag goes over the limit开头的部分，选择更好的$grab_amount值。我没有编写代码，因为这只是一个解决标签拆分问题的示例，而不是一种立即可用的解决方案。

- Amber

---

哇，Amber，谢谢你。这真的会让我思维活跃起来。我会试一试的。 - james

Answer 2

为什么不在将字符串发送到Google之前从中删除HTML标记。PHP有一个strip_tags()函数可以帮助您完成此操作。

- Mark Baker

---

因为我需要保留HTML的完整性，因为它最终会在页面上呈现。 - james

谷歌翻译会自动去除HTML标签吗？ - Mark Baker

不，根据我的测试，它会忽略除了 'alt' 之外的 HTML 标签和属性，而将它们原封不动地返回。 - james

Answer 3

preg_split和一个好的正则表达式可以帮你实现它。

- Scott Saunders