PHP 的截取 HTML 代码串

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：
　　
　　 <divclass=”aaa”><ahref=”/aaa.php?id=1 >

″

张三 </a> 评论了

<ahref=”/aaa.php?id=444 >

″ 李四</a>分享的<ahref=”bbb.html”>一篇文章文

章一长串的东西</a></div>
　　
　　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。

　　
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：
　　
　　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<就置为 1，接下来
的字符都不记数，然后碰到>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<head><body>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<ahref=”#”>sdf</a>，这么一
条语句对应的一些属性有：
　　
　　name=>”a”
　　
　　value=>“<ahref=”#”>sdf</a>”