用php regex轉換html標題

Question

我有帶有html標記文本的字符串：

<p>Some random text</p>
<h2>This is a heading</h2>
<p>More text</p>

我想將其轉換為類似的內容：

<p>Some random text</p>
<h2 id="This_is_a_heading">This is a heading</h2>
<p>More text</p>

這個簡單的代碼幾乎可以做到：

 $patterns = array('#(<h2>)(.*)(</h2>)#i');
 $replace = array('<h2 id="\2">\2</h2>');
 $text = preg_replace($patterns, $replace, $text);

但是我仍然不知道如何在id屬性中用underscores替換whitespaces ，最后在$text得到了這個：

<p>Some random text</p>
<h2 id="This is a heading">This is a heading</h2>
<p>More text</p>

我已經嘗試搜索了幾個小時，但是沒有運氣。 請幫忙。

Answer 1

使用HTML解析器

這是解析HTML的推薦方法。 除非您完全確定HTML字符串的格式是完全固定的，否則正則表達式處理不足，您必須使用HTML解析器。 這是使用PHP附帶的DOMDocument類的解決方案：

$dom = new DOMDocument;
$errorState = libxml_use_internal_errors(true);
$dom->loadHTML($text);
foreach ($dom->getElementsByTagName('h2') as $tag) {
    $nodeValue = (string) $tag->nodeValue;
    $id = str_replace(' ', '_', $nodeValue);
    $tag->setAttribute('id', $id);
}

echo $dom->saveHTML();

使用正則表達式

對於簡單的替換，DOM解析器可能會顯得過大。 如果您不太在意結果的准確性，則可以使用正則表達式來完成任務。 請注意，如果標記之間包含其他屬性或額外標簽，則可能會中斷此操作。

在這種情況下，您的preg_replace()將無法工作，因為它無法修改反向引用。 使用preg_replace_callback()代替：

$text = preg_replace_callback('#(<h2>)(.*)(</h2>)#i', function ($m) {
    $id = str_replace(' ', '_',$m[2]);
    return "<h2 id=\"$id\"></h2>";
}, $text);