PHP中统计含HTML标签字符串的单词数异常问题

你遇到的问题根源在于**Unicode非断空格（U+00A0）**的处理漏洞：

当你调用html_entity_decode($str)时，字符串中的 会被解码为U+00A0（而非普通空格U+0020）。但你的rip_tags函数只处理了普通空格、换行、制表符，完全忽略了这个特殊空格：

1. trim()默认只会去除普通空格、换行、制表符等，不会处理U+00A0，所以解码后的非断空格会残留下来。
2. 你用来合并多个空格的正则/ {2,}/只匹配普通空格，对U+00A0无效，导致非断空格仍然留在字符串中。
3. str_word_count()默认不把U+00A0视为单词分隔符，但它本身也不是单词字符，这就导致函数错误地将非断空格前后的内容计数为独立的“单词”，最终得到了不符合预期的结果。

只需在rip_tags函数中添加一行代码，将U+00A0替换为普通空格，之后再进行空格合并和trim操作即可：

function rip_tags($string) { 
    // ----- 移除HTML标签 ----- 
    $string = preg_replace ('/<[^>]*>/', ' ', $string); 
    // ----- 将非断空格替换为普通空格 -----
    $string = str_replace("\xA0", ' ', $string);
    // ----- 移除控制字符 ----- 
    $string = str_replace("\r", '', $string); 
    $string = str_replace("\n", ' ', $string); 
    $string = str_replace("\t", ' ', $string); 
    // ----- 合并多个空格 ----- 
    $string = trim(preg_replace('/ {2,}/', ' ', $string)); 
    return $string; 
}

$str = '&lt;p&gt;&amp;nbsp;&lt;p&gt;hello world!&lt;/p&gt;&lt;p&gt;&amp;nbsp;&lt;/p&gt;&lt;/p&gt;';
$str = html_entity_decode($str); // 提前trim可以省略，因为rip_tags最后会做trim
$str = rip_tags($str);
$c = str_word_count($str);
echo $c; // 现在会输出预期的2

• 你可以把html_entity_decode的结果直接传入rip_tags，不需要提前调用trim()，因为rip_tags最后已经做了trim操作，避免重复处理。
• 如果需要处理更多Unicode空白字符（比如全角空格），可以用正则/\s+/u来匹配所有空白字符并替换为单个普通空格，兼容性更好：

  $string = preg_replace('/\s+/u', ' ', $string);
  

内容的提问来源于stack exchange，提问作者dapidmini