如何实现剥离HTML行内标签、用空格替换块级元素的可靠方案？

要实现「块级元素替换为空格、行内元素仅剥离标签」的需求，有两种可靠的实现思路，分别适配不同场景：

方法一：正则表达式快速处理（适合结构简单的HTML） #

先定义常见的块级元素列表，用正则将这些元素的标签替换为空格，再剥离剩余行内标签，最后合并多余空格即可。

代码示例（PHP） #

// 定义需要处理的块级元素集合
$blockElements = ['h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'p', 'div', 'ul', 'ol', 'li', 'blockquote', 'pre', 'header', 'footer', 'section', 'article', 'aside', 'nav', 'figure', 'figcaption', 'hr'];
// 构建匹配块级标签的正则（兼容带属性的标签）
$blockPattern = '/<\/?(' . implode('|', $blockElements) . ')\s*[^>]*>/i';

// 测试示例1：块级元素拼接的HTML
$html1 = '<h1>Hello</h1><p>world</p>';
$processed1 = preg_replace($blockPattern, ' ', $html1);
$result1 = trim(preg_replace('/\s+/', ' ', strip_tags($processed1)));
echo $result1; // 输出：hello world

// 测试示例2：行内元素包裹的HTML
$html2 = 'hello <strong>w</strong>orld';
$processed2 = preg_replace($blockPattern, ' ', $html2);
$result2 = trim(preg_replace('/\s+/', ' ', strip_tags($processed2)));
echo $result2; // 输出：hello world

方法二：DOM解析（适合复杂/不规范的HTML） #

正则处理HTML存在局限性（比如嵌套标签、不闭合标签），用DOMDocument解析HTML结构是更稳妥的方案：通过XPath定位所有块级元素，在其前后插入空格，最后提取纯文本并整理格式。

代码示例（PHP） #

function extractTextWithBlockSpaces($html) {
    $dom = new DOMDocument();
    // 禁用HTML解析的错误提示，兼容不规范的HTML代码
    libxml_use_internal_errors(true);
    // 加上XML声明解决编码问题
    $dom->loadHTML('<?xml encoding="UTF-8">' . $html);
    libxml_clear_errors();

    $xpath = new DOMXPath($dom);
    // 用XPath定位所有目标块级元素
    $blockNodes = $xpath->query('//h1|//h2|//h3|//h4|//h5|//h6|//p|//div|//ul|//ol|//li|//blockquote|//pre|//header|//footer|//section|//article|//aside|//nav|//figure|//figcaption|//hr');
    
    // 给每个块级元素的前后添加空格节点
    foreach ($blockNodes as $node) {
        $spaceBefore = $dom->createTextNode(' ');
        $node->parentNode->insertBefore($spaceBefore, $node);
        
        $spaceAfter = $dom->createTextNode(' ');
        $node->parentNode->insertBefore($spaceAfter, $node->nextSibling);
    }

    // 提取纯文本并合并多余空格、去除首尾空白
    $rawText = $dom->textContent;
    return trim(preg_replace('/\s+/', ' ', $rawText));
}

// 测试示例1
echo extractTextWithBlockSpaces('<h1>Hello</h1><p>world</p>'); // 输出：hello world
// 测试示例2
echo extractTextWithBlockSpaces('hello <strong>w</strong>orld'); // 输出：hello world

内容的提问来源于stack exchange，提问作者caspermc