PHP html_entity_decode 和修剪混淆

Posted 2023-03-15

【中文标题】PHP html_entity_decode 和修剪混淆

【英文标题】：PHP html_entity_decode and trim confusion

【发布时间】：2016-02-03 13:46:57

【问题描述】：

我正在尝试使用strip_tags 和trim 来检测字符串是否包含空html？

$description = '<p>&nbsp;</p>';

$output = trim(strip_tags(html_entity_decode($description, ENT_QUOTES, 'UTF-8')));

var_dump($output);

字符串'Â'（长度=2）

我的调试尝试解决这个问题：

$description = '<p>&nbsp;</p>';

$test = mb_detect_encoding($description);
$test .= "\n";
$test .= trim(strip_tags(html_entity_decode($description, ENT_QUOTES, 'UTF-8')));
$test .= "\n";
$test .= html_entity_decode($description, ENT_QUOTES, 'UTF-8');

file_put_contents('debug.txt', $test);

输出：debug.txt

ASCII
 
<p> </p>

【参考方案1】：

如果您使用var_dump(urlencode($output))，您会看到它输出string(6) "%C2%A0"，因此字符码是0xC2 和0xA0。 These two charcodes are unicode for "non-breaking-space"。确保您的文件以 UTF-8 格式保存，并且您的 HTTP 标头为 UTF-8 格式。

也就是说，要修剪这个字符，您可以使用带有 unicode 修饰符的正则表达式（而不是修剪）：

DEMO:

<?php

$description = '<p>&nbsp;</p>';

$output = trim(strip_tags(html_entity_decode($description, ENT_QUOTES, 'UTF-8')));

var_dump(urlencode($output)); // string(6) "%C2%A0"

// -------

$output = preg_replace('~^\s+|\s+$~', '', strip_tags(html_entity_decode($description, ENT_QUOTES, 'UTF-8')));

var_dump(urlencode($output)); // string(6) "%C2%A0"

// -------

$output = preg_replace('~^\s+|\s+$~u', '', strip_tags(html_entity_decode($description, ENT_QUOTES, 'UTF-8')));
// Unicode! -----------------------^

var_dump(urlencode($output)); // string(0) ""

正则表达式验尸：

~ - 正则表达式修饰符分隔符 - 必须在正则表达式之前，然后在修饰符之前 ^\s+ - 字符串的开头紧跟一个或多个空格（字符串开头的一个或多个空格字符） - （^ 表示字符串的开头，\s 表示空格字符, + 表示“匹配 1 到无限次”） | - 或 \s+$ - 一个或多个空格字符紧跟在字符串末尾（字符串末尾有一个或多个空格字符） ~ - 结束正则表达式修饰符分隔符 u - 正则表达式修饰符 - 这里使用 unicode modifier (PCRE_UTF8) 来确保我们替换 unicode 空白字符。

【讨论】：

尸检在这种情况下是一个很棒的词。