如何比使用strip_tags函数更安全地去除标签？

Question

当字符串中包含“小于”和“大于”符号时，我在使用strip_tags PHP函数时遇到了一些问题。例如：

如果我执行以下操作：

strip_tags("<span>some text <5ml and then >10ml some text </span>");

我会得到：

some text 10ml some text

但是，显然我想得到：

some text <5ml and then >10ml some text

我知道我可以使用 < 和 >，但是由于数据已经存储，所以我没有将这些字符转换为HTML实体的机会。

我正在寻找一种聪明的方法来解析HTML，以便仅消除实际的HTML标记。

由于TinyMCE用于生成该数据，我知道在任何情况下可以使用哪些实际的html标记，因此 strip_tags($string, $black_list) 的实现比 strip_tags($string, $allowable_tags) 更有用。

有任何想法吗？

- texai

---

为什么你想获取什么是显而易见的？<anything> 是一个起始标签，因此应该被移除。所以 strip_tags 正在按照您的要求执行。 - ircmaxell

我同意ircmaxell的观点。无论你喜不喜欢，你的句子有三个标签。你可能需要采用不同的方法。源数据格式是否一致？在去除标签之前，你能否将尖括号转换为它们的HTML编码等价物？ - clifgriffin

@ircmaxell和@clifgriffin：我写“显然”是因为从语义上讲，这些符号不是标签的一部分，它们表示“小于五毫升”和“大于十毫升”。 - texai

@ircmaxell：我并不是说strip_tags有bug。我只是在问获取我需要的正确方法。 - texai

@clifgriffin：我没有机会将这些字符转换为HTML实体，因为数据已经像您在示例中看到的那样存储。 - texai

@texai：我的观点是，对于计算机来说，你所要求的并不明显。这可能对我们中的任何一个人来说都很明显，但是没有一种编程语言可以使你摆脱澄清自己想法的负担。这就是我在那条评论中的意思。 - ircmaxell

Answer 1

作为一个古怪的解决办法，您可以使用以下方式过滤非HTML尖括号：

$html = preg_replace("# <(?![/a-z]) | (?<=\s)>(?![a-z]) #exi", "htmlentities('$0')", $html);

之后应用strip_tags()。请注意，这仅适用于您特定的示例和类似情况。它是一个带有一些启发式的正则表达式，而不是人工智能来区分具有其他含义的未转义角括号的HTML标记。

- mario

---

既然您已经在使用 PCRE_EXTENDED，那么您可以添加内联注释，以便我们更好地理解正则表达式。 - Gordon

Answer 2

如果您想要使用大于号和小于号，需要进行转义：

> 代表 >

< 代表 <

您可以参考这个链接: http://www.w3schools.com/html/html_entities.asp

- Piskvor left the building

---

是的，我知道，但由于数据已经存储在我的示例中，我没有机会将这些字符转换为HTML实体。我正在寻找一种聪明的方法来解析HTML以剥离实际的HTML标记。 - texai

@texai：好的，那么你就去猜测和痛苦之地吧，也就是启发式算法的世界；）@mario的回答在这方面看起来很有用。 - Piskvor left the building

Answer 3

不要使用strip_tags()，而是使用htmlspecialchars()。

http://php.net/manual/zh/function.htmlspecialchars.php

- dqhendricks

---

这不符合用""替换"<span>"和"</span>"的要求。 - bdsl

htmlspecialchars() 和 htmlentities() 只会对字符串中的内容进行编码，不会删除任何标签。 - Andy

Answer 4

在接受使用启发式函数尝试删除标签同时保留<和>符号的答案后，这里是一个使用preg_replace_callback的版本，因为preg_replace中的/e修饰符现已弃用：

function HTMLToString($string){
    return htmlspecialchars_decode(strip_tags(preg_replace_callback("# <(?![/a-z]) | (?<=\s)>(?![a-z]) #xi",    
        function ($matches){
            return (htmlentities($matches[0]));
        }
        , $string)));
}

- user2597523