PHP 结合正则表达式匹配提取文本，借助图像处理库（如 GD）解析并分离图片，实现图文分离

PHP中实现将一篇文章中的图片与文字分离出来是一个常见需求，尤其适用于内容管理系统、文档处理或数据挖掘场景,以下是详细的技术方案和实现步骤：

核心思路解析

要实现图文分离，本质上需要完成两个任务： 1️⃣ 提取所有嵌入的图像URL/路径（包括本地文件和网络资源） 2️⃣ 清理纯文本内容并保留结构化信息 这可以通过组合使用正则表达式匹配、DOM文档解析以及字符串处理函数来实现,下面将分模块详细说明具体实现方法。

✅ 方法一：基于正则表达式的基础方案（适合简单HTML结构）

function extractImagesAndText($htmlContent) {
    // 匹配<img>标签及其属性
    preg_match_all('/<img[^>]+src=["\']([^"\']+)["\'][^>]>/i', $htmlContent, $matches);
    $images = $matches[1]; // 获取所有图片地址数组
    // 移除所有<img>标签保留文字部分
    $plainText = preg_replace('/<img[^>]+>/i', '', $htmlContent);
    return [
        'images' => array_unique($images), // 去重处理
        'text' => strip_tags($plainText) // 进一步清除残余HTML标签
    ];
}

⚠️ 局限性说明：此方法仅适用于标准写法的<img>标签,无法处理以下情况：

• 自闭合标签外的嵌套结构（如带div包裹的图片）
• Base64编码内联图片（data:image/png;base64...）
• JavaScript动态加载的图片懒加载场景

🔧 进阶方案：使用DOMDocument对象解析（推荐）

通过加载完整的DOM树结构,可以更精准地定位元素节点：

libxml_use_internal_errors(true); // 抑制XML错误警告
$dom = new DOMDocument();
@$dom->loadHTML($htmlContent); // @符号忽略解析错误
// 收集所有img元素
$imageNodes = $dom->getElementsByTagName('img');
foreach ($imageNodes as $node) {
    $src = $node->getAttribute('src');
    if (!empty($src)) {
        $images[] = htmlspecialchars_decode($src); // 解码实体字符
    }
}
// 创建无图版本的文档片段
$body = $dom->getElementsByTagName('body')->item(0);
$fragment = $dom->createDocumentFragment();
while ($body->firstChild) {
    $child = $body->firstChild;
    if ($child->nodeName == 'img') {
        $body->removeChild($child); // 删除图片节点
    } else {
        $fragment->appendChild($child); // 保留其他内容
    }
}
$dom->appendChild($fragment);
$cleanedHtml = $dom->saveHTML(); // 生成净化后的HTML
$plainText = strip_tags($cleanedHtml);

👉 优势对比：该方法能正确处理复杂嵌套结构，支持相对路径转换，并且可通过XPath进行高级查询（例如//img[contains(@class, 'thumbnail')]）。

📊 性能优化建议（大文件处理）

当处理超过1MB的大型文档时，建议采用流式处理： | 策略 | 实现方式 | 适用场景 | |---------------------|--------------------------------------------------------------------------|------------------------------| | 分段加载 | 使用file_get_contents()配合fseek()逐块读取 | 超长文章避免内存溢出 | | 延迟解析 | 仅在检测到<img>区域时激活DOM解析器 | 稀疏分布的图片布局 | | 缓存机制 | 对已解析过的节点建立哈希表索引 | 重复出现的相同结构元素 |

🛠️ 特殊场景解决方案

1️⃣ Base64内联图片提取：

preg_match_all('/src="data:image\/(\w+);base64,(.?)"/', $htmlContent, $base64Matches);
foreach ($base64Matches[0] as $index => $fullMatch) {
    list(, $mimeType, $encodedData) = explode(';', substr($fullMatch, strpos($fullMatch, 'base64')));
    $binaryData = base64_decode($encodedData);
    // 保存为临时文件示例
    file_put_contents("temp_{$index}.{$mimeType}", $binaryData);
}

2️⃣ CSS背景图捕获：需要额外解析样式表并关联对应元素 3️⃣ SVG矢量图形处理：将其视为独立资源单独存储

📌 完整工作流示例

class ArticleProcessor {
    private $originalHtml;
    private $extractedImages = [];
    private $processedText = '';
    public function __construct($input) {
        $this->originalHtml = $input;
    }
    public function process() {
        // Step 1: 初始化DOM环境
        $this->initDomParser();
        // Step 2: 并行执行图文分离任务
        $this->findAllImages()->removeImageTags();
        // Step 3: 后处理优化
        $this->normalizeWhitespace();
        $this->repairBrokenLinks();
        return [
            'images' => array_values(array_filter($this->extractedImages)),
            'text' => $this->getProcessedContent()
        ];
    }
    private function initDomParser() {
        // ...同前文DOM实现细节...
    }
    private function findAllImages() {
        // 实现细节参照前述DOM方案
    }
    private function removeImageTags() {
        // 使用DOM API安全删除节点而非简单替换
    }
    private function normalizeWhitespace() {
        $this->processedText = preg_replace('/[\r\n]+/', "\n", $this->processedText);
    }
    private function repairBrokenLinks() {
        // 修复因删图导致的段落错位问题
    }
    private function getProcessedContent() {
        return trim(strip_tags($this->dom->saveHTML()));
    }
}

▶️ 调用示例：

$processor = new ArticleProcessor($articleHtml);
list($images, $text) = $processor->process();
print_r($images); // Array ([0] => 'path/to/image1.jpg', ...)
echo nl2br($text); // 格式化后的纯文本输出

💡 典型应用场景扩展

• 📚 在线教育平台：自动生成课件大纲时剔除干扰性配图
• 📱 移动端适配：优先加载文字内容再异步请求图片资源
• 🔍 SEO优化工具：分析页面主要内容密度与多媒体占比关系
• 🎨 设计素材库建设：批量归档文章中使用的视觉元素

⚠️ 常见问题排查指南

FAQs（相关问答）

Q1: 如果文章中的图片使用的是绝对路径怎么办？是否需要特殊处理？
A: PHP本身不限制路径类型，但建议统一转换为相对路径以便移植，可通过检测是否以协议开头（如http://）来判断外部资源，本地文件保持相对路径即可，对于混合来源的情况,可以用关联数组分别存储不同类别的资源链接。

Q2: 如何处理表格内的嵌套图片？比如某个单元格里既有文字又有图片的情况？
A: DOM解析方案天然支持这种结构，只要不主动删除父级容器（如<td>），仅移除其中的<img>标签，就能保持表格完整性，测试案例表明，该方法能完美保留表格边框、跨列合并等复杂样式