Преобразование HTML в обычный текст на PHP для электронной почты

Я использую TinyMCE разрешить минимальное форматирование текста на моем сайте. Из HTML, который был создан, я хотел бы преобразовать его в обычный текст для электронной почты. Я использую класс под названием html2text, но ему действительно не хватает поддержки UTF-8, среди прочего. Однако мне нравится, что он сопоставляет определенные теги HTML с обычным форматированием текста - например, ставит подчеркивания вокруг текста, который ранее имел теги в HTML.

кто-нибудь использует аналогичный подход к преобразованию HTML в обычный текст в PHP? И если да, то рекомендуете ли вы какие-либо сторонние классы, которые я могу использовать? Или как лучше всего решить эту проблему?

71
email html php plaintext

14 ответов

использовать html2text (например,HTML-код to текст), под лицензией Публичная Лицензия Eclipse. Он использует методы DOM PHP для загрузки из HTML, а затем перебирает полученный DOM для извлечения обычного текста. Использование:

// when installed using the Composer package
$text = Html2Text\Html2Text::convert($html);

// usage when installed using html2text.php
require('html2text.php');
$text = convert_html_to_text($html);

хотя и неполный, он является открытым исходным кодом, и взносы приветствуются.

проблемы с другими конвертации скрипт:

  • С html2text (GPL) является не EPL-совместимый.
  • lkessler это!--3--> (атрибуция) несовместима с большинством лицензий с открытым исходным кодом.
87

вот верный strip_tags. Хотя это не очень красиво. Это только санирует. Вы можете объединить его с заменой строки, чтобы получить ваши фантазии подчеркивания.


<?php
// to strip all tags and wrap italics with underscore
strip_tags(str_replace(array("<i>", "</i>"), array("_", "_"), $text));

// to preserve anchors...
str_replace("|a", "<a", strip_tags(str_replace("<a", "|a", $text)));

?>
12

преобразование из HTML в текст с помощью DOMDocument является жизнеспособным решением. Рассмотрим HTML2Text, для которого требуется PHP5:

Что касается UTF-8, запись на странице "howto" гласит:

собственная поддержка PHP для unicode довольно плоха, и она не всегда правильно обрабатывает utf-8. Хотя скрипт html2text использует unicode-безопасные методы (без использования модуля mbstring), он не всегда справляется с собственной обработкой кодировок PHP. PHP действительно не понимает unicode или кодировки, такие как utf-8, и использует базовую кодировку системы, которая, как правило, является одним из семейства ISO-8859. В результате, что может выглядеть для вас как допустимый символ в текстовом редакторе, В либо utf-8 или однобайтовый, вполне может быть неправильно истолкован PHP. Поэтому, даже если вы думаете, что вводите допустимый символ в html2text, вы вполне можете не быть.

автор предлагает несколько подходов к решению этой проблемы и заявляет, что версия 2 HTML2Text (с использованием DOMDocument) имеет поддержку UTF-8.

обратите внимание на ограничения для коммерческого использования.

12

вот еще одно решение:

$cleaner_input = strip_tags($text);

для других вариантов функций дезинфекции см.:

https://RunForgithub.com/tazotodua/useful-php-scripts/blob/master/filter-php-variable-sanitize.php

8

вы можете использовать lynx с параметрами-stdin и-dump для достижения этого:

<?php
$descriptorspec = array(
   0 => array("pipe", "r"),  // stdin is a pipe that the child will read from
   1 => array("pipe", "w"),  // stdout is a pipe that the child will write to
   2 => array("file", "/tmp/htmp2txt.log", "a") // stderr is a file to write to
);

$process = proc_open('lynx -stdin -dump 2>&1', $descriptorspec, $pipes, '/tmp', NULL);

if (is_resource($process)) {
    // $pipes now looks like this:
    // 0 => writeable handle connected to child stdin
    // 1 => readable handle connected to child stdout
    // Any error output will be appended to htmp2txt.log

    $stdin = $pipes[0];
    fwrite($stdin,  <<<'EOT'
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
 <title>TEST</title>
</head>
<body>
<h1><span>Lorem Ipsum</span></h1>

<h4>"Neque porro quisquam est qui dolorem ipsum quia dolor sit amet, consectetur, adipisci velit..."</h4>
<h5>"There is no one who loves pain itself, who seeks after it and wants to have it, simply because it is pain..."</h5>
<p>
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Pellentesque et sapien ut erat porttitor suscipit id nec dui. Nam rhoncus mauris ac dui tristique bibendum. Aliquam molestie placerat gravida. Duis vitae tortor gravida libero semper cursus eu ut tortor. Nunc id orci orci. Suspendisse potenti. Phasellus vehicula leo sed erat rutrum sed blandit purus convallis.
</p>
<p>
Aliquam feugiat, neque a tempus rhoncus, neque dolor vulputate eros, non pellentesque elit lacus ut nunc. Pellentesque vel purus libero, ultrices condimentum lorem. Nam dictum faucibus mollis. Praesent adipiscing nunc sed dui ultricies molestie. Quisque facilisis purus quis felis molestie ut accumsan felis ultricies. Curabitur euismod est id est pretium accumsan. Praesent a mi in dolor feugiat vehicula quis at elit. Mauris lacus mauris, laoreet non molestie nec, adipiscing a nulla. Nullam rutrum, libero id pellentesque tempus, erat nibh ornare dolor, id accumsan est risus at leo. In convallis felis at eros condimentum adipiscing aliquam nisi faucibus. Integer arcu ligula, porttitor in fermentum vitae, lacinia nec dui.
</p>
</body>
</html>
EOT
    );
    fclose($stdin);

    echo stream_get_contents($pipes[1]);
    fclose($pipes[1]);

    // It is important that you close any pipes before calling
    // proc_close in order to avoid a deadlock
    $return_value = proc_close($process);

    echo "command returned $return_value\n";
}
7

вы можете проверить эту функцию

function html2text($Document) {
    $Rules = array ('@<script[^>]*?>.*?</script>@si',
                    '@<[\/\!]*?[^<>]*?>@si',
                    '@([\r\n])[\s]+@',
                    '@&(quot|#34);@i',
                    '@&(amp|#38);@i',
                    '@&(lt|#60);@i',
                    '@&(gt|#62);@i',
                    '@&(nbsp|#160);@i',
                    '@&(iexcl|#161);@i',
                    '@&(cent|#162);@i',
                    '@&(pound|#163);@i',
                    '@&(copy|#169);@i',
                    '@&(reg|#174);@i',
                    '@&#(d+);@e'
             );
    $Replace = array ('',
                      '',
                      '',
                      '',
                      '&',
                      '<',
                      '>',
                      ' ',
                      chr(161),
                      chr(162),
                      chr(163),
                      chr(169),
                      chr(174),
                      'chr()'
                );
  return preg_replace($Rules, $Replace, $Document);
}
6

Я не нашел ни одного из существующих решений, подходящих - простые HTML-письма для простых текстовых файлов.

Я открыл этот репозиторий, надеюсь, он кому-то поможет. Лицензия MIT, кстати:)

https://github.com/RobQuistNL/SimpleHtmlToText

пример:

$myHtml = '<b>This is HTML</b><h1>Header</h1><br/><br/>Newlines';
echo (new Parser())->parseString($myHtml);

возвращает:

**This is HTML**
### Header ###


Newlines
4

Markdownify преобразует HTML в Markdown, систему форматирования обычного текста, используемую на этом самом сайте.

2

Markdownify работал замечательно для меня! что нужно упомянуть об этом: он отлично поддерживает utf-8, что было основной причиной, по которой я искал другое решение, чем html2text (что упоминалось ранее в этом потоке).

1

я столкнулся с той же проблемой, что и OP, и попытка некоторых решений из верхних ответов выше не доказала, что работает для моих сценариев. Посмотрим, почему в конце.

вместо этого я нашел этот полезный скрипт, чтобы избежать путаницы, назовем его html2text_roundcube, доступно в разделе GPL:

на самом деле это обновленная версия уже упомянутого скрипта - http://www.chuggnutt.com/html2text.php - обновлено RoundCube почта.

использование:

$h2t = new \Html2Text\Html2Text('Hello, &quot;<b>world</b>&quot;');
echo $h2t->getText(); // prints Hello, "WORLD"

почему html2text_roundcube оказался лучше остальных:

  • скрипт http://www.chuggnutt.com/html2text.php не работает из коробки для случаев со специальными кодами/именами HTML (например,&auml;), или непарные кавычки (например,<p>25" Monitor</p>).

  • скрипт https://github.com/soundasleep/html2text не было возможности скрыть или сгруппировать ссылки в конце текста, что делает обычную HTML-страницу раздутой ссылками в текстовом формате; настройка кода для специальных обработка того, как выполняется преобразование, не так прямолинейна, как простое редактирование массива в html2text_roundcube.

1

Я только что нашел функцию PHP "strip_tags ()" и ее работу в моем случае.

Я попытался преобразовать следующий HTML:

<p><span style="font-family: 'Verdana','sans-serif'; color: black; font-size: 7.5pt;">&nbsp;</span>Many  practitioners are optimistic that the eyeglass and contact lens  industry will recover from the recent economic storm. Did your practice  feel its affects?&nbsp; Statistics show revenue notably declined in 2008 and  2009. But interestingly enough, those that monitor these trends state  that despite the industry's lackluster performance during this time,  revenue has grown at an average annual rate&nbsp;of 2.2% over the last five  years, to .0 billion in 2010.&nbsp; So despite the downturn, how were we  able to manage growth as an industry?</p>

после применения функции strip_tags () у меня есть следующий вывод :

&amp;nbsp;Many  practitioners are optimistic that the eyeglass and contact lens  industry will recover from the recent economic storm. Did your practice  feel its affects?&amp;nbsp; Statistics show revenue notably declined in 2008 and  2009. But interestingly enough, those that monitor these trends state  that despite the industry&#039;s lackluster performance during this time,  revenue has grown at an average annual rate&amp;nbsp;of 2.2% over the last five  years, to .0 billion in 2010.&amp;nbsp; So despite the downturn, how were we  able to manage growth as an industry?
0

Если вы не хотите полностью удалить теги и сохранить содержимое внутри тегов, вы можете использовать DOMDocument и экстракт textContent корневого узла, как это:

function html2text($html) {
    $dom = new DOMDocument();
    $dom->loadHTML("<body>" . strip_tags($html, '<b><a><i><div><span><p>') . "</body>");
    $xpath = new DOMXPath($dom);
    $node = $xpath->query('body')->item(0);
    return $node->textContent; // text
}

$p = 'this is <b>test</b>. <p>how are <i>you?</i>. <a href="#">I\'m fine!</a></p>';
print html2text($p);
// this is test. how are you?. I'm fine!

одним из преимуществ этого подхода является то, что он не требует каких-либо внешних пакетов.

0

если вы хотите преобразование специальные символы HTML, а не просто удалить их, а также разобрать вещи и подготовить для обычного текста это было решение, которое сработало для меня...

function htmlToPlainText($str){
    $str = str_replace('&nbsp;', ' ', $str);
    $str = html_entity_decode($str, ENT_QUOTES | ENT_COMPAT , 'UTF-8');
    $str = html_entity_decode($str, ENT_HTML5, 'UTF-8');
    $str = html_entity_decode($str);
    $str = htmlspecialchars_decode($str);
    $str = strip_tags($str);

    return $str;
}

$string = '<p>this is (&nbsp;) a test</p>
<div>Yes this is! &amp; does it get "processed"? </div>'

htmlToPlainText($string);
// "this is ( ) a test. Yes this is! & does it get processed?"`

html_entity_decode w / ENT_QUOTES / ENT_XML1 преобразует такие вещи, как &#39; htmlspecialchars_decode преобразует такие вещи, как &amp; html_entity_decode преобразует такие вещи, как '&lt; и strip_tags удаляет все оставшиеся теги HTML.

0
public function plainText($text)
{
    $text = strip_tags($text, '<br><p><li>');
    $text = preg_replace ('/<[^>]*>/', PHP_EOL, $text);

    return $text;
}

$text = "string 1<br>string 2<br/><ul><li>string 3</li><li>string 4</li></ul><p>string 5</p>";

echo planText($text);

выход
строка 1
строка 2
строка 3
строка 4
строка 5

0