Преобразование HTML в обычный текст в PHP для электронной почты

Я использую TinyMCE, чтобы 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 он действительно не поддерживает поддержку UTF-8, среди прочего. Тем не менее, мне кажется, что он сопоставляет определенные теги HTML с форматированием обычного текста – например, помещает подчеркивания вокруг текста, который ранее имел теги <i> в HTML.

Кто-нибудь использует подобный подход для преобразования HTML в обычный текст в PHP? И если да: рекомендуете ли вы какие-либо сторонние классы, которые я могу использовать? Или как вам лучше всего решить эту проблему?

    Используйте html2text (пример HTML для текста ), лицензированный в рамках публичной лицензии Eclipse . Он использует методы DOM PHP для загрузки из HTML, а затем выполняет итерацию по полученному DOM для извлечения простого текста. Применение:

    $text = convert_html_to_text($html); 

    Хотя он неполный, он открыт с открытым исходным кодом и приветствуется.

    Проблемы с другими сценариями конвертации:

    • Поскольку html2text (GPL) не совместим с EPL.
    • Ссылка lkessler (атрибуция) несовместима с большинством лицензий с открытым исходным кодом.

    Преобразование из HTML в текст с использованием 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 плохая, и она не всегда корректно обрабатывает utf-8. Хотя сценарий html2text использует безопасные для Unicode методы (без использования модуля mbstring), он не всегда может справиться с собственной обработкой кодировок PHP. PHP действительно не понимает юникод или кодировки, такие как utf-8, и использует базовую кодировку системы, которая, как правило, является одним из семейств ISO-8859. В результате, то, что может выглядеть вам как действительный символ в вашем текстовом редакторе, как в utf-8, так и в однобайтном, вполне может быть неверно истолковано PHP. Поэтому, даже если вы считаете, что кормили допустимого символа в html2text, вы, возможно, не будете.

    Автор предлагает несколько подходов к решению этого вопроса и утверждает, что версия 2 HTML2Text (с использованием DOMDocument) поддерживает UTF-8.

    Обратите внимание на ограничения для коммерческого использования.

    Есть надежная функция strip_tags . Это не очень, хотя. Это будет только санировать. Вы могли бы объединить его с заменой строки, чтобы получить ваши причудливые 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))); ?> 

    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"; } 

    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); } 

    вот еще одно решение:

     $cleaner_input = strip_tags($text); 

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

    Я открыл этот репозиторий, надеюсь, что это поможет кому-то. 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 

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

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

    Я столкнулся с той же проблемой, что и OP, и попробовал некоторые решения из верхних ответов выше, не работал для моих сценариев. Посмотрите, почему в конце.

    Вместо этого я нашел этот полезный скрипт, чтобы избежать путаницы, назовем его html2text_roundcube , доступным под GPL:

    На самом деле это обновленная версия уже упомянутого скрипта – http://www.chuggnutt.com/html2text.php – обновлена ​​по почте RoundCube.

    Применение:

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

    Почему html2text_roundcube оказался лучше других:

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

    • У скрипта https://github.com/soundasleep/html2text не было возможности скрывать или группировать ссылки в конце текста, делая обычную HTML-страницу раздутой со ссылками в текстовом формате; настройка кода для специального рассмотрения того, как делается преобразование, не так прямо, как простое редактирование массива в html2text_roundcube .

    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 $9.0 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 $9.0 billion in 2010.&amp;nbsp; So despite the downturn, how were we able to manage growth as an industry? 
     public function planText($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);

    вывод
    строка 1
    строка 2
    строка 3
    строка 4
    строка 5