PHP如何移除指定保留标签外的所有HTML标签及内容？

嘿，我懂你要解决的问题——从包含完整HTML结构的字符串里，只留下<p>、<b>、<img>、<h2>、<em>这些标签和它们的内容，剩下的全删掉对吧？别想着用正则处理HTML，那简直是给自己挖大坑！PHP自带的DOM扩展才是处理这类问题的正确姿势，稳定还不容易出错。

下面直接上可运行的解决方案，我会一步步给你解释：

核心思路 #

我们用DOMDocument解析HTML，通过XPath精准筛选出需要保留的标签，然后把这些标签（包括它们的子内容和属性）导入到一个新的DOM文档中，最后输出处理后的HTML。

完整代码示例 #

<?php
// 你的原始HTML字符串
$htmlString = '<!DOCTYPE html>
<html>
<head>
    <title>Test Page</title>
    <script>alert("hello");</script>
</head>
<body>
    <header>Header content to remove</header>
    <h2>This is a heading</h2>
    <p>Here is some <b>bold text</b> and <em>italic text</em>.</p>
    <img src="image.jpg" alt="Sample image">
    <footer>Footer content to remove</footer>
</body>
</html>';

// 定义允许保留的标签列表
$allowedTags = ['p', 'b', 'img', 'h2', 'em'];

// 初始化DOM，关闭HTML解析错误提示（处理不规范的HTML）
libxml_use_internal_errors(true);
$dom = new DOMDocument();
// 这两个参数很重要：避免DOM自动添加默认的html/body标签
$dom->loadHTML($htmlString, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
libxml_clear_errors();

// 用XPath筛选所有允许的标签
$xpath = new DOMXPath($dom);
// 构建XPath查询语句，匹配所有允许的标签
$query = '//*[local-name()="' . implode('" or local-name()="', $allowedTags) . '"]';
$nodes = $xpath->query($query);

// 创建新的DOM文档来存放处理后的结果
$resultDom = new DOMDocument();
$resultDom->formatOutput = true; // 格式化输出，让HTML更易读

// 把筛选出来的节点导入到新文档中
foreach ($nodes as $node) {
    // true表示递归导入所有子节点，确保标签内部的内容也被保留
    $importedNode = $resultDom->importNode($node, true);
    $resultDom->appendChild($importedNode);
}

// 输出最终处理后的HTML
echo $resultDom->saveHTML();
?>

代码说明 #

1. 错误处理：libxml_use_internal_errors(true)是为了忽略HTML解析时的警告（比如不规范的标签嵌套），避免干扰程序运行。
2. 加载HTML的参数：LIBXML_HTML_NOIMPLIED和LIBXML_HTML_NODEFDTD这两个参数能防止DOM自动给我们添加多余的<html>和<body>标签，确保输出的只有我们需要的内容。
3. XPath筛选：通过XPath精准定位所有允许的标签，不管它们在HTML结构的哪个层级都能被找到。
4. 节点导入：importNode($node, true)里的true是关键，它会递归导入当前标签的所有子节点和属性，比如<p>里的<b>和<em>都会被完整保留。

效果验证 #

运行上面的代码，输出结果会是：

<h2>This is a heading</h2>
<p>Here is some <b>bold text</b> and <em>italic text</em>.</p>
<img src="image.jpg" alt="Sample image">

完全符合你的需求——只保留了指定标签和它们的内容，其他所有标签（比如<script>、<header>、<footer>）和内容都被删掉了。

内容的提问来源于stack exchange，提问作者Osman