PHP实现截取字符串并保留完整XML/HTML标签的函数

周末不加班

发布时间：2026-10-14| 4人浏览过

原创

在使用PHP处理富文本或XML数据时，简单使用substr截取字符串容易破坏标签结构，导致解析失败。通过构建支持属性转义和嵌套匹配的正则表达式，可以编写一个自定义函数，在限定长度内截取内容并自动补全未闭合的标签。

问题背景与解决思路

当我们需要从一段包含HTML或XML格式的文本中提取前N个字符时，如果使用标准的 substr 函数，很可能在标签中间截断，例如得到 <a>text</ 这样的结果，这在后续渲染或解析中会引发错误。为了解决这个问题，需要一种能理解标记语言结构的截取逻辑：

目标：截取从指定偏移量开始的固定长度内容。
约束：如果截取点落在某个标签内部，必须将包含该标签的完整闭合部分一并保留。
复杂度：需要考虑标签属性中的引号、转义符（如 "" 、 '）以及属性名值对的标准格式。

核心代码实现

以下代码定义了一个名为 substr_remain_tag 的函数。它首先使用强大的正则表达式扫描字符串中的所有标签，找到覆盖截取范围的标签边界，然后返回正确的子串。

<?php
/**
 * author: goosman
 * blog: http://blog.csdn.net/lgg201
 * mail: lgg860911@yahoo.com.cn
 */

$str = '0123456789<a>012</a>0123456789';

function substr_remain_tag($s, $o, $l) {
    // 正则表达式用于匹配完整的XML/HTML标签及其属性
    // 使用 /x 修饰符忽略空白以便阅读
    $is_match = preg_match_all(<<<'HEREDOC'
    <(\w+)                    # 标签开始名称
    (?:                        # 属性列表（非捕获组）
        \s+                    # 前置空格
        \w+                    # 属性名
        \s*                    # 属性名后的空白(为了兼容)
        =                      # 属性名值之间的等号
        \s*                    # 属性值前的空白(为了兼容)
        (?:                    # 属性值(引号处理)
            "                  # 双引号的情况
            (?:
                \\\\             # 吃掉连续两个转义符(表示转义符自身)
                \\"              # 吃掉转义符接着一个引号(表示转义的引号)
                [^"\\]*          # 其他字符
            )*
            "
            |                  # 单引号情况
            '
            (?:
                \\\\             # 吃掉连续两个转义符(表示转义符自身)
                \'               # 吃掉转义符接着一个引号(表示转义的引号)
                [^'\\]*           # 其他字符
            )*
            '
        )
    )*
    >                        # 标签开始结束符
    .*?                       # 标签内容（最小化匹配，防止跨标签贪婪）
    </(?1)>                  # 结束标签，引用第一个捕获组确保标签名一致
    ;x
    HEREDOC
    , $s, $matches, PREG_OFFSET_CAPTURE, $o);

    if ($is_match) {
        foreach ($matches[0] as $match) {
            $o0 = $match[1];      # 当前标签的起始偏移量
            # 如果标签左边界已经超过了截取的目标右边界，说明不再有关联标签
            if ($o0 >= $o + $l) break;

            $l0 = strlen($match[0]); # 当前标签的总长度

            # 如果标签完全在截取范围内，跳过
            if ($o0 + $l0 < $o + $l) continue;

            # 以下为标签跨边界处理
            # 计算新的截取长度：从起始位置到当前标签结束的跨度
            $l = $o0 + $l0 - $o;
            break;
        }
    }
    return substr($s, $o, $l);
}

echo $str . chr(10);
echo substr_remain_tag($str, 0, 20) . chr(10);
?>

代码逻辑解析

第一步：配置正则表达式

正则表达式是此功能的核心。它分为几个关键部分：

标签头匹配：<(\w+) 捕获标签名称，用于后续闭合检查。
属性解析：(?:...)* 块详细处理了属性名、等号和属性值。特别值得注意的是它对单双引号及其中转义符的支持，这保证了即使属性值中包含特殊字符，正则也能正确终止，避免误判标签边界。
标签体与闭合：>.*?</(?1)> 匹配标签内容，并使用反向引用 ?1 确保起始标签和结束标签名称一致（例如 <a> 必须对应 </a>）。

第二步：查找并定位标签

调用 preg_match_all 并从偏移量 $o 开始搜索。参数 PREG_OFFSET_CAPTURE 使得每个匹配项不仅包含字符串，还包含其在原字符串中的起始位置，这对于判断标签是否与截取区域重叠至关重要。

第三步：调整截取长度

遍历所有找到的标签实例：
1. 如果标签起始位置超过截取终点，停止查找。
2. 如果标签完全位于截取区域内，忽略它。
3. 如果标签跨越了截取的虚拟边界（即起始点在区域内，但结束点在区域外），则将截取长度 $l 更新为该标签的结束位置，确保该标签被完整保留。

使用示例与结果

以测试字符串 '0123456789<a>012</a>0123456789' 为例，要求从偏移量 0 开始截取 20 个字符。
- 普通 substr 可能产生：0123456789<a>012</（不完整）
- 本函数逻辑：发现 <a>012</a> 这一标签结构跨越了第20个字符的位置，因此自动将长度延伸至 </a> 之后。
- 实际输出结果： 0123456789<a>012</a> （共21个字符，保留了完整结构）。