如何使用HTML解析引擎处理页面换行与空格-html教程-PHP中文网

直接上传HTML富文本到微信公众号草稿箱。支持完整的HTML格式,无需Markdown转换。

html解析器在dom构建阶段即合并空白：所有连续空白字符（、、、空格等）统一转为单个u+0020空格并压缩，该过程不可逆；textcontent返回的是已压缩结果，仅、等特殊标签内保留原始空白。

如何使用html解析引擎处理页面换行与空格

浏览器解析HTML时，、、、连续空格等都会被统一转成单个U+0020空格，并压缩掉多余部分——这个过程发生在DOM树生成之前，不可逆。你用JavaScript读到的textContent或innerText已经是压缩后的结果，不是原始源码。

这意味着：<p>Hello World</p> 解析后，textContent 是 "Hello World"，不是 "Hello World"。如果你依赖原始换行做文本提取或格式还原，必须在解析前处理源码，而不是等DOM建好再操作。

<pre class="brush:php;toolbar:false;"></pre>、<textarea></textarea>、<script></script>、<style></style> 内部不参与该合并，空白保留
标签之间的空白（如<div> <p>A</p> </div>）通常不会生成文本节点，DOM里根本不存在
属性值中的换行（如@@##@@）会被当作空格解析，但不影响实际取值

像BeautifulSoup这类解析库的get_text()方法，默认把所有空白压成一个空格，且忽略<br>、<p></p>等语义换行。要让输出带可读段落，得手动干预。

关键参数：separator 控制子节点间连接符，strip 决定是否修剪首尾空白，types 可限制只取特定标签文本。

对<p></p>或<h2></h2>这类块级元素，建议在调用get_text()前先遍历其子节点，遇到<br>就插入" "，遇到<p></p>就前后加" "
<pre class="brush:php;toolbar:false;"></pre>内容必须单独提取，不能走通用get_text()流程，否则换行和缩进全丢
若传入separator=' '，内联元素（如<span></span>）之间也会强行换行，容易破坏语义，慎用

直接用preg_replace('/\s+/', ' ', $html)或str.replace(/s+/g, ' ')清理HTML源码，是常见但高危操作。它不识别标签边界，会误伤关键位置。

删掉<pre class="brush:php;toolbar:false;">console.log("a b");</pre>里的，JS代码直接变console.log("a b")，逻辑错误
把value=" x "里的空格压成一个，虽多数情况无感，但若后端校验严格或data-* 属性含空格分隔值，就会出问题
匹配<p> </p>时没考虑嵌套，可能连带删掉<img src="a.jpg">旁边的换行，影响CSS display: inline-block 的布局逻辑