使用PHP清理HTML以创建干净的字符串

我有一堆HTML数据，我正在使用PHP将它们写入PDF文件。在PDF中，我希望所有的HTML都被剥离和清理。例如：

<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>

但是，如果我简单地使用

strip\u tags（）

，我会得到如下结果：

   First list item


   Second list item which is quite a bit
longer


   List item with apostrophe ’s ’s

还要注意输出的缩进

关于如何正确地将HTML清理成漂亮、干净的字符串，而不使用混乱的空格和奇数字符，有什么提示吗

---

谢谢：）

使用库清理html。但在您的例子中，我会使用类从html获取数据。

字符似乎是html实体。尝试：

html_entity_decode( strip_tags( $my_html_code ) );

---

您可以使用preg_replace对strip_标记的结果进行解码或删除它们：

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

要删除行开头的空白，请使用：

要保留撇号，请改为使用此选项：

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

---

我怀疑单凭

strip\u tags（）

就能对你的实体进行编码。你确定你没有在某个地方错过对

htmlentities

的调用吗？缩进正是我所期望的，PHP正在剥离标记，但不是它们周围的额外文本。你的意思是我应该或不应该在某个地方使用htmlentities（）？现在我不是。HTML数据直接来自数据库。

htmlentities

负责这些事情


（例如），所以如果你不想要它们，就不应该使用它。那太好了！差不多了。唯一的问题是撇号现在已经完全消失了。这可以通过一个小的调整来解决吗？我在你的回答中使用了preg_replace。很好，这对我遇到的问题起到了治疗作用。
$content = join("\n", array_map("ltrim", explode("\n", $content )));

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