PHP - 从字符串中删除解码的 HTML 实体

Question

我正在尝试清理字符串并最终得到以下结果:

Characterisation of the arsenic resistance genes in lt i gt Bacillus lt i gt sp UWC isolated from maturing fly ash acid mine drainage neutralised solids

我正在尝试删除 lt、i、gt，因为它们是减少的 HTML 实体，它们似乎没有被删除。处理这个或我可以查看的其他解决方案的最佳方法是什么？

这是我目前的解决方案:

/**
 * @return string
 */
public function getFormattedTitle()
{
    $string = preg_replace('/[^A-Za-z0-9\-]/', ' ',  filter_var($this->getTitle(), FILTER_SANITIZE_STRING));
    return $string;
}

这是一个示例输入字符串:

Assessing <i>Clivia</i> taxonomy using the core DNA barcode regions, <i>matK</i> and <i>rbcLa</i>

谢谢!

Answer 1

告密者 lt和 gt在您的输出中告诉我您拥有的字符串实际上更像是:

“使用核心 DNA 条形码区域matK 和rbcLa 评估君子兰 分类法”

当被视为纯文本时。

您上面显示的字符串将在浏览器中显示，它将“<”解释为“<”，将“>”解释为“>”。 (这些通常被称为“HTML 实体”，并提供了一种编码字符的方法，否则将被解释为 HTML。)

一种选择是这样处理:

$s = "Assessing <i>Clivia</i> taxonomy …";
$s = html_entity_decode($s); // $s is now "Assessing <i>Clivia</i> taxonomy …"
$s = strip_tags($s); // $s is now "Assessing Clivia taxonomy"

但请注意，strip_tags 是一个非常幼稚的函数。例如，它会将 '1<5 and 6>2' 变成 '12'!所以你需要确保你的所有输入文本都是双 HTML 编码的，因为这个例子是为了让它完美地工作。