如何用PHP从含HTML标签的TXT文件中提取<strong>包裹的高亮文本?
PHP实现从含HTML标签的TXT文件提取包裹文本的方案
这需求完全有成熟的实现方案,两种方式按需选就行:
方案一:DOM扩展解析(强烈推荐,准确率拉满)
这种方式根本不会因为strong标签带属性、存在嵌套、大小写写法不统一出现匹配错误,是处理这类HTML片段的通用稳妥选择:
- 先读取TXT文件的完整内容
- 借助PHP内置的
DOMDocument组件解析HTML结构,自动屏蔽非标准内容的解析警告 - 遍历所有
<strong>标签节点,提取纯文本内容并清洗多余空格、换行
可直接复用的代码:
<?php // 替换成你实际的TXT文件路径 $txtPath = './target.txt'; if (!is_readable($txtPath)) { die('读不到TXT文件,检查下路径和文件权限'); } $content = file_get_contents($txtPath); // 初始化解析器,屏蔽残缺HTML触发的一堆warning $dom = new DOMDocument(); libxml_use_internal_errors(true); // 转码处理,避免中文、特殊字符(比如示例里的北欧语姓名)出现乱码 $dom->loadHTML(mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8')); libxml_clear_errors(); $extractedTexts = []; // 拿到全量strong标签节点 $strongList = $dom->getElementsByTagName('strong'); foreach ($strongList as $item) { $text = trim($item->nodeValue); // 把连续的换行、多空格替换成单个空格,清理格式 $text = preg_replace('/\s+/', ' ', $text); if ($text) { $extractedTexts[] = $text; } } // 打印出来核对下结果对不对 print_r($extractedTexts);
不管你遇到的strong写法是小写<strong>、大写<STRONG>,还是带行内样式的<strong style="font-weight:700">,这个方法都能准确拿到包裹的文本,不会漏抓错抓。
方案二:正则匹配(仅适合结构极其简单的场景)
如果你的TXT里的strong标签都是干干净净的、没嵌套、没多余属性的标准写法,不想用DOM解析那套逻辑,也可以写个正则快速匹配:
别在正式项目里用这个——容错性太差,只要遇到标签内部套了链接、嵌套了其他格式,很容易匹配漏了或者抓多了内容
示例代码:
<?php $content = file_get_contents('./target.txt'); // 不区分大小写匹配所有strong标签内部的文本 preg_match_all('/<strong[^>]*>(.*?)<\/strong>/is', $content, $matchResult); $extractedTexts = array_filter(array_map(function($v) { return trim(preg_replace('/\s+/', ' ', $v)); }, $matchResult[1]));
落地注意点
- 提前确认TXT文件的原始编码,不然碰到特殊字符很容易出乱码
- 提取完如果要做后续处理,直接把数组存成新的TXT或者CSV就行,逻辑很顺
内容的提问来源于stack exchange,提问作者Ned
相关产品推荐
相关产品推荐

