PHP截取HTML代码串问题

需求：将一段文字截取一定的物理长度显示，注意，要截取的不是字符串的字节数，UFT-8 的编码中文字符是3个字节或者4个字节的，而显示的时候中文会占两个字符的长度，英文字符只占一个，全角的时候又有不同。

而且给的数据是HTML代码串，比如这样：

张三  评论了 李四 分享的 一篇文章文章一长串的东西

截取的时候是要截取 div 标签内部的东西，而且要保留HTML标签，只是对其中的文字做处理。比如我可能只是截取到“李四”的“李”字，但是如果就这样放到前端的话，“李四”前面的 a 标签是没有闭合的，所以截取之后要保证HTML的语法正确。

这个问题确实不太好搞，让我郁闷了两天。请注意，这只是一个字符串，只不过内容是HTML代码，是没有什么DOM的。如果是在前端处理就好办了，直接DOM获取，然后对里面的节点进行处理，最后把innerHTML 之类的东西输出就搞定了。现在可不行了，得换个思路。同事的思路是这样的：

遍历字符串的每一个字符。设置一个标记，碰到标签开始的标记之后再开始计数。对标签内部的字符串处理的时候，还要先判断当前字符的编码是不是可能是中文，一般来说PHP中 UTF-8 编码的中文字符的长度都是3，所以如果碰到是中文字符编码，就要跳过两个不记数……说到这里我自己头已经开始大了。个人认为这种方法很不爽，首先这种精致的逻辑不太容易控制，而且 UFT-8 编码下中文产生的长度有可能是3个或4个 所以代码的严密性值得怀疑。

我个人的思路是，用 Tidy 来搞（具体用法请看PHP手册吧）。昨天研究了一下那个 Tidy ，发现这个东西还是挺好用的。首先，把这个字符串转换成 Tidy 对象，这样：

$tidy = tidy_parse_string($str, array(), ‘utf8′);  // 最后一个是设置编码的，注意，这里是utf8 ，不是utf-8，没有中间那个连线。

然后获取$tidy中的 body（因为转换之后$tidy会自动加上

等标签）：

$body =  tidy_get_body($tidy);

这个时候你可以用 var_dump 看一些 $body 的结构，会发现它把每个标签都变成了一个对应的对象，里面有相应的属性。举例来说，比如 sdf ，这么一条语句对应的一些属性有：

name=>”a”
value =http://www.webjx.com//php/2009-07-21/> “sdf”
child=> array{[0]=>一个文本节点对象，value是 sdf}
attribute=array{”href”=>”#”}
…..其他属性

可以看到，我们其实是可以单独去处理 a 标签对应节点下面的文字节点的值的，那样就不会破坏任何HTML完整性。原来我以为改变 a 标签中文字节点的值之后， a 标签的value也会跟着改变，那样我直接返回a标签对应节点的value就OK了，没想到不是那个样子，哎，所以处理过其中的文字之后还是要自己拼出新的HTML。

知道了Tidy对象的结构之后，一切就好办了，只要遍历所有的节点，对于本需求来说，就是找到那个 div 标签，然后开始处理里面的节点。代码如下：

if(mb_strwidth($subchild->value, ‘utf-8′) >= $len)
{
$subchild->value = http://www.webjx.com//php/2009-07-21/mb_strimwidth($subchild->value, 0, $len, ‘…’, ‘utf-8′);
$trimed_str .= $subchild->value;
break;
}
else
{
$trimed_str .= $subchild->value;
$len = $len - mb_strwidth($subchild->value, ‘utf-8′);
}

里面的$subchild 就是一个子节点。注意，这里使用了 mb_strwidth 来获取字符串长度。严重推荐一下这个 mb_strwidth，很好用，它会把中文当作两个字符长度处理，正好符合这里的需求！而且截取字符串的时候用到了 mb_strimwidth，这个函数也会把中文当作两个字符长度处理，mb_ 开头的函数真是好用啊。

具体代码我就不写出来了，因为是针对一个需求写的，没做成通用的形式。哪天我有时间做成通用的再发布一下。

另外，可惜FireFox不支持 text-overflow 属性，不然也不用后台那么辛苦地去截断了。