PHP提取HTML文字存入数据库需先用DOMDocument解析（如loadHTML配合getElementsByTagName），再用textContent和getAttribute获取文本与链接，最后通过PDO预处理安全入库。
PHP 怎么把 HTML 里的文字提取出来存进数据库
不能直接“把 HTML 中的文字链接数据库”——HTML 是静态标记，数据库要的是结构化数据。你真正需要的，是「从 HTML 字符串里抽取出纯文本（或带链接的文本），再用 PHP 插入 MySQL 或其他数据库」。
常见错误现象：mysqli_query($conn, $html_string) 直接执行失败；或者存进去一堆 <p></p><a href="..."></a> 标签，根本不是想要的“文字”。
- 先用
strip_tags()去掉所有标签，保留纯文本（适合只要内容） - 若需保留链接关系（比如“点击这里”对应
https://example.com），得用DOMDocument解析 - 注意字符编码：HTML 含中文时，
strip_tags()在非 UTF-8 环境下可能乱码，建议统一用mb_convert_encoding()预处理
用 DOMDocument 提取文字 + 对应的 href 属性
这是最稳妥的做法，尤其当你要存“链接文本”和“目标地址”两个字段时。比正则可靠，能处理嵌套、属性转义、不闭合标签等真实 HTML 边界情况。
使用场景：爬取页面摘要、导入富文本中的可点击词、后台编辑器内容入库。
立即学习“PHP免费学习笔记（深入）”；
- 必须调用
$dom->loadHTML()前设置libxml_use_internal_errors(true)，否则 malformed HTML 会报 Warning 干扰插入 -
$dom->getElementsByTagName('a')只抓<a></a>，如果要所有带href的元素（如<link>），得用 XPath 或遍历所有节点 - 提取文本用
$node->textContent，不是$node->nodeValue（后者可能含注释或 CDATA）
$html = '<p>访问 <a href="https://php.net">PHP 官网</a> 学习更多。</p>';
$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
$links = $dom->getElementsByTagName('a');
foreach ($links as $a) {
$text = trim($a->textContent);
$href = $a->getAttribute('href');
// 然后用 mysqli_real_escape_string() 或 PDO 预处理插入数据库
}
存进数据库前必须做的三件事
很多人跳过这步，结果遇到注入、截断、乱码，回头查半天。
- 对字符串做
mysqli_real_escape_string()（如果不用 PDO）；更推荐用PDO::prepare()+bindValue()，防 SQL 注入也省心 - 检查字段长度：MySQL 的
VARCHAR(255)存不下长链接文本，容易静默截断；建议用TEXT类型 - 确认数据库连接和表字段都是
utf8mb4编码（不是旧的utf8），否则 emoji 和部分中文会变???
为什么不用正则匹配 标签
因为正则在解析 HTML 上本质不可靠。哪怕写成 /<a>]*href=[\'"]([^\'"]+)[\'"][^>]*>(.*?)/i</a>，也会在以下情况失效：
- href 属性值含双引号且未转义：
<a href="a" b>text</a> - 标签跨多行、含注释、有 CDATA 区块
-
<a href="xxx"></a>不加引号（合法 HTML）
DOMDocument 虽稍重，但它是浏览器级解析器，和 Chrome 渲染 HTML 的底层逻辑一致——这点代价，换来的稳定性值得。
真正难的不是提取，而是定义清楚：你要存的是“所有可见文字”，还是“仅超链接文字”，以及“href 是否要验证格式/去重/归一化”。这些逻辑不在 PHP 函数里，得你自己写判断。
