本文详解如何使用 PHP 正确批量解析多个 HTML 文件，提取标题、Meta 标签及指定区域内容，并完整写入 CSV 文件——解决因循环中多次调用 fputcsv() 导致字段错位、仅前两列写入的常见问题。
本文详解如何使用 php 正确批量解析多个 html 文件，提取标题、meta 标签及指定区域内容，并完整写入 csv 文件——解决因循环中多次调用 `fputcsv()` 导致字段错位、仅前两列写入的常见问题。
在批量处理 HTML 文件并导出为 CSV 的场景中，一个典型错误是：在 foreach 循环内反复调用 fputcsv($file, $row) 时，若 $row 数组键名无序或长度不一致，CSV 解析器（如 Excel）可能误判字段边界，导致仅前几列显示正常，其余内容被截断或合并到同一单元格。原始代码的问题正源于此——它未确保每行数据严格按预定义字段顺序组织，且未对空值、特殊字符（如换行、逗号、引号）做转义处理。
✅ 正确做法是：先将每份 HTML 解析结果统一构造成与表头严格对齐的数值索引数组（即按固定顺序排列），再逐行写入；同时必须启用 fputcsv() 的自动转义机制（它默认处理引号包裹与内部换行），而非手动拼接字符串。
以下是优化后的完整实现（已修复原始逻辑缺陷，并增强健壮性）：
<?php
error_reporting(E_ERROR | E_PARSE);
$directory = 'bella';
$myfiles = array_diff(scandir($directory), ['.', '..']); // 排除 . 和 .. 目录项
// 定义标准字段顺序（关键！必须与 fputcsv 写入顺序完全一致）
$headers = [
'Title',
'Meta Description',
'Meta keywords',
'Heading points',
'Description'
];
ob_end_clean();
header('Content-Type: text/csv; charset=utf-8');
header('Content-Disposition: attachment; filename=acts_scarlet.csv');
header('Pragma: no-cache');
header('Expires: 0');
$file = fopen('php://output', 'w');
fputcsv($file, $headers); // 写入表头
foreach ($myfiles as $filename) {
$path = $directory . '/' . $filename;
// 仅处理 .html 文件（更安全的后缀判断）
if (!is_file($path) || strtolower(pathinfo($filename, PATHINFO_EXTENSION)) !== 'html') {
continue;
}
$html = file_get_contents($path);
$dom = new DOMDocument();
// 抑制解析警告（HTML 可能不规范），但需确保编码正确
@$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
// 初始化当前行数据（按 $headers 顺序）
$row = ['', '', '', '', ''];
// 提取 title
$titles = $dom->getElementsByTagName('title');
if ($titles->length > 0) {
$row[0] = trim($titles->item(0)->nodeValue);
}
// 提取 meta description & keywords
$metas = $dom->getElementsByTagName('meta');
foreach ($metas as $meta) {
$name = strtolower($meta->getAttribute('name'));
$content = $meta->getAttribute('content');
if ($name === 'description') {
$row[1] = trim($content);
} elseif ($name === 'keywords') {
$row[2] = trim(strip_tags($content));
}
}
$xpath = new DOMXPath($dom);
// 提取 class="reason" 下的内容
$headingNodes = $xpath->evaluate('//div[contains(@class, "reason")]/node()');
foreach ($headingNodes as $node) {
$row[3] .= $dom->saveHtml($node);
}
$row[3] = strip_tags(trim($row[3]));
// 提取 id="act-bio" 下的内容
$contentNodes = $xpath->evaluate('//div[contains(@id, "act-bio")]/node()');
foreach ($contentNodes as $node) {
$row[4] .= $dom->saveHtml($node);
}
$row[4] = strip_tags(trim($row[4]));
// ✅ 关键：使用 fputcsv 自动转义，传入数值索引数组
fputcsv($file, $row);
}
fclose($file);
exit;
?>? 关键改进说明：
立即学习“前端免费学习笔记（深入）”；
-
字段顺序强约束：改用
$row = ['', '', '', '', '']数值索引数组，彻底规避关联数组键名无序导致的 CSV 列错位； -
安全文件过滤：
array_diff(scandir(...), ['.', '..'])避免目录遍历异常；pathinfo(..., PATHINFO_EXTENSION)比explode('.', $f)[1]更可靠； -
HTML 编码兼容：
mb_convert_encoding(..., 'HTML-ENTITIES', 'UTF-8')防止中文等 UTF-8 字符解析失败； -
DOM 加载加固：添加
LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD参数，避免自动补全干扰 XPath 定位； -
空值与清理：所有字段均
trim()处理，strip_tags()清除残留 HTML 标签，防止 CSV 格式污染； -
自动转义保障：
fputcsv()原生支持 RFC 4180 标准（自动用双引号包裹含逗号/换行的字段），无需手动处理。
⚠️ 注意事项：
- 若 HTML 中存在大量富文本（如嵌套
<br>、<p></p>），strip_tags()后可能丢失段落结构，此时建议保留纯文本并用\n替换块级标签； - 大量文件处理时，注意 PHP 内存限制（
memory_limit）和执行时间（max_execution_time），可考虑分批处理或启用gc_collect_cycles()； - 生产环境务必校验
$dom->loadHTML()返回值，失败时记录日志而非静默跳过。
通过以上重构，CSV 输出将严格对齐五列（Title / Meta Description / Meta keywords / Heading points / Description），每行数据完整、可读、兼容主流表格软件，真正实现 HTML 批量结构化抽取的目标。
