无损截取html生成文章摘要系列1_栈

之前网上复制了一个摘要算法，一直使用正常。最近写的一篇前500字里含有超链接，就导致摘要生成有误，从而影响了前端样式。所以后面打算自己写，想起大学编译原理匹配表达式的大致思想，就决定采用栈的思想试试。

实现目标：对常用富文本编辑器（ueditor,kindeditor etc）编辑好的文档进行一定数目字符的截取，保留原始html标签，使摘要在前端正常显示。

问题分解：

1.如何区分src及href等里路径里的斜杠‘/’和html里闭合标签的斜杠‘/’

2.如何判断截取好的字符串其中html标签完整匹配。

以下是算法思想里的重要描述，可能不够准确，有错误之处，还望指正。

1.不是以‘</>'形式出现的斜杠，就不是html闭合标签的斜杠。

2.遍历时，上一个字符是‘<’，当前字符是‘/’，则一定代表html的闭合标签来了。

例如遍历<span>无损截取html</span>时，遍历到‘/’时,从右往左看，就将‘<’,‘>’依次出栈

3.br, hr,img等无需要求成对出现的html标签，配对方式为‘<’与'>'。

例如遍历<img src="http://xxxxxx" />时，遍历到‘>’时，判断之前拼接的字符串由img引导，就将最开始的‘<’出栈

下面是本人根据算法思想画的大致流程图：

下面是本人用PHP实现的代码，仅供参考

function blog_clip($o_body, $target_clip_size = 500)
{
 // log::record($o_body);
 $pattern = '/[^\<](\/)[^>]/i';
 $body = preg_replace_callback($pattern, function($matches){
 return preg_replace('/\//i', '@', $matches[0]);
 }, htmlspecialchars_decode($o_body) );
 // log::record($body);

 $now_clip_size = 0;
 $o_size = mb_strlen($body, 'utf-8');
 if($o_size <= $target_clip_size) return $o_body;

 $stack_arr = array();
 $html_str = '';
 $is_start = 0;
 $tags_special = array('img','br','hr');
 $clip_index = 0;
 for($i=0; $i < $o_size; $i++){
 $char = mb_substr($body, $i, 1);
 $stack_length = count($stack_arr);
 if( '<' == $char ){
 array_push($stack_arr, $char);
 $is_start = 1;
 }else if( 1 == $is_start){

 if( '>' == $char ){
 $tag = is_htmltag($html_str);
 if( in_array($tag, $tags_special) ){
 //是特殊tag时，若栈尾是'<'就弹出
 if($stack_length > 0 && '<' == $stack_arr[$stack_length-1]){
 array_pop($stack_arr);
 }
 }else{
 //tag与栈尾元素一致,则弹出
 if($tag == $stack_arr[$stack_length-1]){
 array_pop($stack_arr);
 array_pop($stack_arr); //弹出了标签名，接着一定可以弹出'<'
 }else{
 array_push($stack_arr, $tag);
 array_push($stack_arr, $char);
 }
 }
 $is_start = 0;
 $html_str = '';
 }else if( '/' == $char ){
 //紧跟开始标签'<'之后,表示dom结点结束
 if( '' == trim($html_str) ){
 //先弹出'<',后弹出'>'
 array_pop($stack_arr); 
 array_pop($stack_arr); 
 }

 }else{
 //拼接html标签字符串
 $html_str .= $char;
 }

 }else{
 // 非 html 代码才记数
 $now_clip_size++;
 }
 // echo $i."<br>";
 // echo $now_clip_size."<br>";
 if(empty($stack_arr) && $now_clip_size >= $target_clip_size){
 $clip_index = $i;
 break;
 }
 }
 $summary = mb_substr($body, 0, $clip_index+1);
 $new_summary = preg_replace('/\@/i', '/', $summary);
 return htmlspecialchars($new_summary);
}

function is_htmltag($html_str){
 $trim_str = trim($html_str);
 $ex_arr = explode(' ', $trim_str);
 $tag_name = $ex_arr[0];
 $strip_str = strip_tags(trim('<'.$tag_name.'>'));
 if(0 == strlen($strip_str)){
 return $tag_name;
 }else{
 return false;
 }
}

目前测试了几篇文章，摘要获取正常。后续若发现问题，继续完善。