用于锚标签的PHP RegEx（或Alt方法）

Question

好的，我必须解析一个SOAP请求，并在请求中将某些值与Anchor标记一起传递（或传递给内部）。 寻找正则表达式（或alt方法）以剥离标签并仅返回值。

// But item needs to be a RegEx of some sort, it's a field right now
if($sObject->list == 'item') {
   // Split on > this should be the end of the right side of the anchor tag
   $pieces = explode(">", $sObject->fields->$field);

   // Split on < this should be the closing anchor tag
   $piece = explode("<", $pieces[1]);

   $fields_string .= $piece[0] . "\n";
}

item是一个字段名称，但我想使其成为RegEx来检查Anchor标签，而不是特定字段。

Answer 1

PHP具有strip_tags()函数。

或者，您可以将filter_var()与FILTER_SANITIZE_STRING 。

无论做什么，都不会使用正则表达式来解析HTML / XML。 这真的很容易出错而且容易出错。 PHP至少有3个不同的解析器作为标准（想到的是SimpleXML ， DOMDocument和XMLReader ）。

Answer 2

我同意cletus的观点，在HTML上使用RegEx是不好的做法，因为HTML作为一种语言是多么的松散（我抱怨说PHP太松散了……）。 可以使用多种方法来更改标签，除非您知道该文档是符合标准/严格的文档，否则有时是不可能的。 但是，由于我喜欢让我分心的挑战，因此您可以在RegEx中做到这一点！

我将其分成几部分，如果您看到的只是一个字符串，然后说：“嗯...就可以了...”，这毫无意义！ 首先，我们有一个锚标签的主要RegEx：

'#<a></a>#'

然后，我们添加标签之间的文本。 我们希望将其分组为括号，因此我们可以提取字符串，并且问号使星号通配符“ un-greedy”，这意味着它遇到的第一个</a>将是它用来结束正则表达式。

'#<a>(.*?)</a>#'

接下来，我们为Reg =“”添加RegEx。 我们将href="作为纯文本进行匹配，然后匹配不包含引号的任意长度的字符串，然后匹配引号。

'#<a href\="([^"]*)">(.*?)</a>#'

现在我们只需要说标签允许其他属性。 根据规范，属性可以包含以下字符： [a-zA-Z_\\:][a-zA-Z0-9_\\:\\.-]* 。 多次允许一个属性，并使用一个值，我们得到： ( [a-zA-Z_\\:][a-zA-Z0-9_\\:\\.-]*\\="[^"]*")* 。

生成的RegEx（PCRE）如下：

'#<a( [a-zA-Z_\:][a-zA-Z0-9_\:\.-]*\="[^"]*")* href\="([^"]*)"( [a-zA-Z_\:][a-zA-Z0-9_\:\.-]*\="[^"]*")*>(.*?)</a>#'

现在，在PHP中，使用preg_match_all()函数可捕获字符串中所有出现的事件。

$regex = '#<a( [a-zA-Z_\:][a-zA-Z0-9_\:\.-]*\="[^"]*")* href\="([^"]*)"( [a-zA-Z_\:][a-zA-Z0-9_\:\.-]*\="[^"]*")*>(.*?)</a>#';
preg_match_all($regex, $str_containing_anchors, $result);
foreach($result as $link)
 {
  $href = $link[2];
  $text = $link[4];
 }

Answer 3

使用simplexml和xpath检索所需的节点

Answer 4

如果只想从特定标记中剥离或提取属性，则应尝试使用DOMDocument 。

像这样：

$TagWhiteList = array(
    // Example of WhiteList
    'b', 'i', 'u', 'strong', 'em', 'a', 'img'
);

function getTextFromNode($Node, $Text = "") {
    // No tag, so it is a text
    if ($Node->tagName == null)
        return $Text.$Node->textContent;

    // You may select a tag here
    // Like:
    // if (in_array($TextName, $TagWhiteList)) 
    //     DoSomthingWithIt($Text,$Node);

    // Recursive to child
    $Node = $Node->firstChild;
    if ($Node != null)
        $Text = getTextFromNode($Node, $Text);

    // Recursive to sibling
    while($Node->nextSibling != null) {
        $Text = getTextFromNode($Node->nextSibling, $Text);
        $Node = $Node->nextSibling;
    }
    return $Text;
}

function getTextFromDocument($DOMDoc) {
    return getTextFromNode($DOMDoc->documentElement);
}

使用方法：

$Doc = new DOMDocument();
$Doc->loadHTMLFile("Test.html");


$Text = getTextFromDocument($Doc); echo "Text from HTML: ".$Text."\n"; 

上面的功能是如何剥离标签。 但是您可以对其进行一些修改以操纵该元素。 例如，如果标记是Archor的“ a”，则可以提取其目标并显示它而不是其中的文本。

希望能有所帮助。

Answer 5

如果您没有某种request <-> class映射，则可以提取带有DOM扩展名的信息。 属性textConent包含上下文节点及其后代的所有文本。

$sr = '<?xml version="1.0"?>
<SOAP:Envelope xmlns:SOAP="urn:schemas-xmlsoap-org:soap.v1">
  <SOAP:Body>
    <foo:bar xmlns:foo="urn:yaddayadda">
       <fragment>
         <a href="....">Mary</a> had a
         little <a href="....">lamb</a>
       </fragment>
    </foo:bar>
  </SOAP:Body>
</SOAP:Envelope>';

$doc = new DOMDocument;
$doc->loadxml($sr);

$xpath = new DOMXPath($doc);
$ns = $xpath->query('//fragment');
if ( 0 < $ns->length ) {
  echo $ns->item(0)->nodeValue;
}

版画

Mary had a
little lamb