Limpieza HTML con PHP para crear una cadena limpia

Question

Tengo un montón de datos HTML que estoy escribiendo en un archivo PDF usando PHP. En el PDF, quiero que todo el HTML se elimine y limpie. Así, por ejemplo:

<ul> 
    <li>First list item</li> 
    <li>Second list item which is quite a bit longer</li> 
    <li>List item with apostrophe 's 's</li> 
</ul> 

debe convertirse en:

First list item 
Second list item which is quite a bit longer 
List item with apostrophe 's 's 

Sin embargo, si simplemente uso strip_tags(), me sale algo como esto:

First list item
 

    Second list item which is quite a bit 
longer
 

    List item with apostrophe ’s ’s 

También tenga en cuenta la sangría de la salida.

Algún consejo sobre la manera correcta de limpiar el HTML para agradables cuerdas, limpios sin espacios en blanco desordenado y personajes extraños?

Gracias :)

Answer 1

que puede decodificar el resultado de strip_tags usando html_entity_decode o eliminarlos utilizando preg_replace:

$text = strip_tags($html_text); 
$content = preg_replace("/&#?[a-z0-9]{2,8};/i","",$text); 

y quitar espacios en blanco desde el comienzo de sus líneas utilizan ltrim:

$content = join("\n", array_map("ltrim", explode("\n", $content))); 

para mantener los apóstrofes usa esto en su lugar:

$text = strip_tags($html_text); 
$text = str_replace("’","'", $text); 
$content = preg_replace("/&#?[a-z0-9]{2,8};/i","",$text); 

Answer 2

uso PHP Tidy biblioteca para limpiar su html. Pero en su caso utilizaría la clase DOMDocument para obtener datos de html.

Answer 3

Los personajes parece ser entidades html. Proveedores:

html_entity_decode(strip_tags($my_html_code));