如何用DOMDocument移除标签保留内容并清理Word导出的HTML

核心目标：把Word生成的冗余HTML转换成仅含无属性<div>标签和有效文本的结构，彻底清除所有冗余标签（如<script>、<o:p>、<span>、<h1>、<p>）及所有元素属性。

问题根源 #

原代码的核心问题：

• 用getElementsByTagName('*')遍历的是动态节点列表，修改节点（删除/替换）会导致列表结构乱序，出现漏处理或属性莫名恢复的情况。
• 没处理<h1>、<p>这类需要转成<div>的标签，也没清除<o:p>这种Word专属的冗余标签。
• 最终输出带<body>标签，不符合预期格式。

修正后的代码 #

$dom = new DOMDocument;
// 加载HTML，避免自动补全默认的html/body标签
$dom->loadHTML($filecontent, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

// 1. 先删掉所有没用的标签：script、o:p
$uselessTags = ['script', 'o:p'];
foreach ($uselessTags as $tag) {
    $nodes = $xpath->query("//{$tag}");
    foreach ($nodes as $node) {
        $node->parentNode->removeChild($node);
    }
}

// 2. 清除span标签，保留里面的文本内容
$spanNodes = $xpath->query("//span");
foreach ($spanNodes as $span) {
    // 把span的子节点（文本/其他内容）移到span的父节点里，放在span前面
    while ($span->firstChild) {
        $span->parentNode->insertBefore($span->firstChild, $span);
    }
    // 删掉空的span标签
    $span->parentNode->removeChild($span);
}

// 3. 把h1、p等块级标签转成无属性div，同时清掉所有元素属性
$blockTags = ['h1', 'p', 'div'];
foreach ($blockTags as $tag) {
    $nodes = $xpath->query("//{$tag}");
    // 倒序遍历，避免动态节点列表的索引混乱问题
    for ($i = $nodes->length - 1; $i >= 0; $i--) {
        $node = $nodes->item($i);
        // 清掉所有属性
        while ($node->hasAttributes()) {
            $node->removeAttribute($node->attributes->item(0)->name);
        }
        // 不是div的话，替换成div标签
        if ($node->tagName !== 'div') {
            $div = $dom->createElement('div');
            // 把原节点的所有内容移到新div里
            while ($node->firstChild) {
                $div->appendChild($node->firstChild);
            }
            // 用div替换原节点
            $node->parentNode->replaceChild($div, $node);
        }
    }
}

// 4. 输出所有无属性div的内容
$divNodes = $xpath->query("//div");
foreach ($divNodes as $div) {
    echo $dom->saveHTML($div) . "\n";
}

代码说明 #

• 先清无用标签：彻底移除<script>、<o:p>这类没有有效内容的标签，避免干扰后续处理。
• 处理span标签：通过移动子节点再删除span的方式，保留文本内容同时清除冗余标签。
• 倒序遍历节点：解决动态节点列表的索引混乱问题，确保每个节点都能被正确处理。
• 标签转换+属性清除：把非div的块级标签替换成无属性div，同时清空所有元素的冗余属性。
• 纯div输出：直接遍历所有div节点并输出，彻底去掉<body>等多余外层标签。

内容的提问来源于stack exchange，提问作者Chimdi