PHP中如何基于去标签字符串定位HTML标签并生成标注串？

问题回顾 #

我们需要实现一个函数，输入带<i>标签的字符串，输出两个结果：

1. 完全去除标签后的纯文本
2. 与纯文本长度一致的标注串——每个位置为1表示对应字符前需要插入<i>或</i>，0表示不需要。
   现有实现遇到标签冗余（如重复<i>）、嵌套<i>时会出现标注错位，需要更可靠的实现，同时探讨这个标注思路的合理性。

示例对应关系：

• 纯文本：Disney movies: Aladdin, Beauty and the Beast.
• 标注串：0000000000000001000000101000000000000000000010

更优实现方案 #

核心是先标准化标签的激活状态，再精准映射标签切换事件到纯文本的对应位置，避免直接按原始字符串索引硬匹配的误差。

实现逻辑 #

1. 遍历解析字符串：
   • 维护italic_active状态（标记当前是否处于斜体生效区间）
   • 遇到<i>时，仅在未激活状态下记录“开启斜体”事件，忽略冗余标签
   • 遇到</i>时，仅在激活状态下记录“关闭斜体”事件，忽略冗余标签
   • 同时构建去标签后的纯文本，记录每个事件对应的纯文本位置（即事件发生时纯文本的长度，对应下一个字符的前置位置）
2. 生成标注串：
   • 初始化全0的标注列表，长度与纯文本一致
   • 将所有事件对应的位置设为1
   • 额外处理未闭合标签：如果遍历结束后仍处于激活状态，在标注串末尾追加1（表示文本末尾需要补</i>）

Python代码实现 #

def label_italics(raw_str):
    pure_text = []
    tag_events = []
    is_italic_active = False
    idx = 0
    str_len = len(raw_str)

    while idx < str_len:
        # 匹配<i>标签
        if raw_str.startswith('<i>', idx):
            if not is_italic_active:
                # 记录开启斜体的位置：当前纯文本长度对应下一个字符的前置位置
                tag_events.append(len(pure_text))
                is_italic_active = True
            idx += 3  # 跳过<i>的3个字符
        # 匹配</i>标签
        elif raw_str.startswith('</i>', idx):
            if is_italic_active:
                # 记录关闭斜体的位置
                tag_events.append(len(pure_text))
                is_italic_active = False
            idx += 4  # 跳过</i>的4个字符
        else:
            pure_text.append(raw_str[idx])
            idx += 1

    # 生成标注串
    label_list = ['0'] * len(pure_text)
    for pos in tag_events:
        if 0 <= pos < len(label_list):
            label_list[pos] = '1'
    # 处理未闭合的<i>标签
    if is_italic_active:
        label_list.append('1')

    return ''.join(label_list), ''.join(pure_text)

测试验证 #

• 输入规范文本：Disney movies: <i>Aladdin</i>, <i>Beauty</i> and the <i>Beast</i>.
  输出标注串与示例完全一致：0000000000000001000000101000000000000000000010
• 输入嵌套冗余文本：Hello <i>world <i>foo</i> bar</i> test
  输出纯文本：Hello world foo bar test
  输出标注串：0000001000000000100000（仅保留有效标签的切换事件）

标注思路合理性分析 #

可行之处 #

• 标注逻辑简洁，与纯文本严格对齐，适合序列模型（如Transformer、LSTM）做序列标注任务
• 预处理阶段过滤冗余/无效标签，避免模型学习到噪声信号，提升训练效果

可优化点 #

1. 区分标签类型：当前标注仅标记“需要插入标签”，但不区分是<i>还是</i>。如果需要模型精准恢复标签类型，可将标注扩展为三类：0（无标签）、1（插入<i>）、2（插入</i>），减少模型的判断歧义。
2. 未闭合标签规则：实际场景中未闭合标签可能需要按业务规则处理（如强制补全、忽略），当前实现的末尾追加1是一种简单处理方式，可根据需求调整。
3. 多标签兼容：如果后续需要支持其他格式标签（如<b>），可扩展状态变量为字典，同时记录不同标签的激活状态。

总体来说，这个标注思路是合理且实用的，经过优化后能适配大部分不规范的标签场景，为模型训练提供可靠的标注数据。

内容的提问来源于stack exchange，提问作者Robert K S