我如何删除其他 </html> 使用正则表达式从字符串中标记？

Question

我正在使用php DOMDocument替换节点，然后重写页面。 回写的HTML是纯文本（不是HTML），因此我必须像这样转换它：

$content = files::readFile($data['page_path']);
$content = str_replace('&lt;', '<', $content);
$content = str_replace('&gt;', '>', $content);

if (!@fwrite($handle, $content))
{
    print 'Failed to replace entities';
    return FALSE;
}

这使HTML成为正确的HTML，但是出于某种奇怪的原因，它在文档底部添加了额外的</ html>标签，在令人讨厌的</ html>标签之后添加了一些其他数据。 我完全不知道为什么。

无论如何，我考虑过使用：

$content = preg_replace('#\<\/head\>*(:alphanum:)#', '</html>', $content);

删除它，但这与我认为的方式不符。

请帮助！

测试示例：

$html = '
   <div id="footer">
       <div class="wrap">
           <strong class="logo"><a href="#">College</a></strong>
           <ul><li><a href="#">Emergencies</a></li>
               <li><a href="#">Contact</a></li>
               <li><a href="#">Copyright</a></li>
               <li><a href="#">Terms of Use</a></li>
               <li><a href="#">Member of The Colleges</a></li>
           </ul><p>© 2010 College</p>
       </div>
   </div>
</body></html>
li>
               <li><a href="#">Contact</a></li>
               <li><a href="#">Copyright</a></li>
               <li><a href="#">Terms of Use</a></li>
               <li><a href="#">Member of The Colleges</a></li>
           </ul><p>© 2010 College</p>
       </div>
   </div>
</body></html>';

preg_match("#</head>.*#si", $html, $matches);
var_dump($matches);

Answer 1

您的代码：

$content = preg_replace('#\<\/head\>*(:alphanum:)#', '</html>', $content);

之所以不起作用，是因为:alphanum:在PREG样式的正则表达式中不是有效的语法。 PHP的ereg风格的regex函数中允许使用此类字符类，但已弃用了这些函数，因此您应坚持使用PREG。

解决方案是用正确的PREG语法替换:alphanum: ：。

对于:alphanum: [0-9a-zA-Z]正确的语法是[0-9a-zA-Z] 。

对于任何数字字符，还有\\d类的快捷方式，可以代替0-9来使用。 有关这些的更多信息，请参见http://www.regular-expressions.info/reference.html 。

[编辑]

现在，您有了：

$content = preg_replace('#\<\/head\>*([0-9a-zA-Z])#', '</html>', $content);

正如您所说，这仍然行不通，但至少可以解决明显的问题。

第一个问题：您在正则表达式中输入了“”，但是您似乎要求替换“”之后的所有内容-“”是拼写错误吗？

第二点：正则表达式[0-9a-zA-Z]仅匹配一个字符。 要匹配多个字符，您需要在[0-9a-zA-Z]之后添加+或* 。 加号表示您要匹配[0-9a-zA-Z]中的一个或多个，而星号表示零个或多个出现。

第三点：您在问题中引用的代码不仅仅包含字母数字字符。 它是HTML，因此包含尖括号，＃符号，甚至包括版权符号。 显然[0-9a-zA-Z]不会与其中任何一个匹配（ :alphanum:使用ereg语法也不会）。

您可以将代码中可能出现的所有字符添加到正则表达式中，以生成类似[0-9a-zA-Z<>#] ，但这可能不切实际。 一个更好的主意是匹配任何字符，而不是专门寻找字母数字。 要匹配任何字符，您将使用点（ . ），因此您的正则表达式将更像这样：

$content = preg_replace('#</html>.+#', '</html>', $content);

希望能有所帮助。

Answer 2

我不确定确切的字母数字字符是否适合该问题，但是我怀疑您希望在字母数字字符后加上*通配符以匹配任意数量的它们：

$content = preg_replace('#</head>[\da-z]*#i', '</html>', $content);

实际上，我想知道您是否甚至想匹配</head>标记后的所有内容，在这种情况下，它可能对您有用：

$content = preg_replace('#</head>.*#si', '</html>', $content);

编辑：现在您已经添加了示例文本，我看到您有2 </html>标记。 怎么样：

$content = preg_replace('#</html>.*#si', '</html>', $content); 

Answer 3

我遇到的问题已解决：我发现可重用内容中遇到了奇怪的错误！ 在使用模式“ r +”时，我在使用PHP函数fwrite（）时发现了问题。 如果您在php.net/fopen上看到了有关此功能的文档，则将看到r +执行以下操作： 将文件指针放在文件的开头。 我天真地认为这意味着由于指针位于开头，因此它将覆盖整个文件内容。 不，实际上这不是事实。 如果需要这种效果，则必须使用模式“ w”，该模式将执行以下操作： 将文件指针放在文件的开头，并将文件截断为零长度。 如果该文件不存在，请尝试创建它。