[英]How to remove table, tr, td tag in html with php
我有一个html代码:
<table id="table1" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
<tr>
<td>
<img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="Cường">
</td>
</tr>
<tr>
<td class="Image">Everything
</td>
</tr>
</table>
<table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
<tr>
<td>
Someone
</td>
</tr>
<tr>
<td class="Image">Everything
</td>
</tr>
</table>
我有2个表,我想删除所有标签:table,tr,td(如果表具有img标签(表1))。 我需要得到这样的结果:
<img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="Cường">
Everything
<table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
<tr>
<td>
Someone
</td>
</tr>
<tr>
<td class="text">Everything
</td>
</tr>
</table>
请帮我。 谢谢。
HTML Purifier可以用于剥离文档中的所有标签或一组特定的标签。 这是PHP中基本上所有HTML标记剥离的首选解决方案- 永远不要使用正则表达式,否则太阳会烧毁,我们都会在令人窒息的黑暗中冻死。
尝试类似:
$config->set('HTML.Allowed', 'img');
$purifier = new HTMLPurifier($config);
$output = $filter->purify($YOUR_HTML);
您需要添加$config->set('HTML.Allowed', 'TAGNAME');
您不想被擦掉的每个标签的标签线,但这是值得付出的代价,以维持一天之星持续的赋予生命的温暖。 我想,同时也不要让您的网站容易受到XSS攻击和吃东西的麻烦。
检出: http : //simplehtmldom.sourceforge.net/
让我们在带有选择器的HTML页面上找到标签,就像jQuery,并在一行中从HTML中提取内容。
从理论上讲,可以使用单个高度复杂的正则表达式来完成此操作。 在单独的步骤上进行搜索和替换总是比较容易的:首先搜索外部容器,然后处理其中包含的内容。
<?php
header("Content-type: text/plain");
$html = '<table id="table1" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
<tr>
<td>
<img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="Cường">
</td>
</tr>
<tr>
<td class="Image">Everything
</td>
</tr>
</table>
<table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
<tr>
<td>
Someone
</td>
</tr>
<tr>
<td class="Image">Everything
</td>
</tr>
</table> ';
$html = preg_replace_callback('/<table\b[^>]*>.*?<\/table>/si', 'removeTableIfImg', $html);
function removeTableIfImg($matches) {
$table = $matches[0];
return preg_match('/<img\b[^>]*>/i', $table, $img)
? preg_replace('/<\/?(?:table|td|tr)\b[^>]*>\s*/i', '', $table)
: $table;
}
echo $html;
?>
第一种模式找到表格。 第二种模式(在回调中)检查是否有图像标签。 第三个删除表,td和tr标签。
我需要这样的东西。 这是我的解决方案: (<\\/?tr.*?>)|(<\\/?td.*?>)|(<\\/?table.*?>)
这个正则表达式将选择所有tr td和table标签而不是贪婪的。
您可以在此处查看其运行情况:
正如不言而喻的说,不要为此使用正则表达式,这会让您发疯。 通常,搜索libs所花费的时间与为此编写自己的小型解析器所花费的时间相同。 我用不同的语言做了几次。 您学到了很多东西,并且经常可以重用代码:-)
由于您对属性不感兴趣,因此这应该很容易。 通过char循环入口站点char。 请查看以下Java代码,这是我较早的较小的HTML清理方法之一:
public static String sanatize(String body, String[] whiteList, String tagSeperator, String seperate) {
StringBuilder out = new StringBuilder();
StringBuilder tag = new StringBuilder();
boolean quoteOpen = false;
boolean tagOpen = false;
for(int i=0;i<body.length();i++) {
char c = body.charAt(i);
if(i<body.length()-1 && c == '<' && !quoteOpen && body.charAt(i+1) != '!') {
tagOpen = true;
tag.append(c);
} else if(c == '>' && !quoteOpen && tagOpen) {
tag.append(c);
for (String tagName : whiteList) {
String stag = tag.toString().toLowerCase();
if (stag.startsWith("</"+tagName+" ") || stag.startsWith("</"+tagName+">") || stag.startsWith("<"+tagName+" ") || stag.startsWith("<"+tagName+">")) {
out.append(tag);
} else if (stag.startsWith("</") && tagSeperator != null) {
if (seperate.length()>2) {
if (seperate.contains("," + stag.replaceAll("[</]+(\\w+)[\\s>].*", "$1") + ",")) {
out.append(tagSeperator);
}
} else {
if (!out.toString().endsWith(tagSeperator)) {
out.append(tagSeperator);
}
}
}
}
tag = new StringBuilder();
tagOpen = false;
} else if (c == '"' && !quoteOpen) {
quoteOpen = true;
if (tagOpen)
tag.append(c);
else
out.append(c);
} else if (i>1 && c == '"' && quoteOpen && body.charAt(i-1) != '\\' ) {
quoteOpen = false;
if (tagOpen)
tag.append(c);
else
out.append(c);
} else {
if (tagOpen)
tag.append(c);
else
out.append(c);
}
}
return out.toString();
}
您可以忽略分隔符和分隔符,我用它来清理标签并转换为csv
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.