正则表达式 - 将 HTML 转换为有效的 XML 标记 [重复]

Posted 2023-03-13

【中文标题】正则表达式 - 将 HTML 转换为有效的 XML 标记 [重复]

【英文标题】：Regex - Convert HTML to valid XML tag [duplicate]

【发布时间】：2012-06-07 17:32:51

【问题描述】：

我需要帮助编写一个将 html 字符串转换为有效 XML 标记名称的正则表达式函数。例如：它需要一个字符串并执行以下操作：

如果字符串中出现字母或下划线，则保留它 如果出现任何其他字符，则会将其从输出字符串中删除。 如果单词或字母之间出现任何其他字符，则将其替换为下划线。

Ex:
Input: Date Created
Ouput: Date_Created

Input: Date<br/>Created
Output: Date_Created

Input: Date\nCreated
Output: Date_Created

Input: Date    1 2 3 Created
Output: Date_Created

基本上，正则表达式函数应该将 HTML 字符串转换为有效的 XML 标记。

【问题讨论】：

您的问题是“我想写”，但它读起来就像一个需求列表，正在等待某人删除所需的魔法正则表达式代码。无论如何都不清楚您认为 XML 标记是什么，输出示例不包含任何内容。

@JackManey：现在有超过 4000 人支持..？嘘。

如果这种情况千百年来只出现一次，那有什么问题，只是在你的测试代码中快速添加一个quick and dirty patch-up！并使用正则表达式代替 DOM...

【参考方案1】：

一点正则表达式和一点标准函数：

function mystrip($s)

        // add spaces around angle brackets to separate tag-like parts
        // e.g. "<br />" becomes " <br /> "
        // then let strip_tags take care of removing html tags
        $s = strip_tags(str_replace(array('<', '>'), array(' <', '> '), $s));

        // any sequence of characters that are not alphabet or underscore
        // gets replaced by a single underscore
        return preg_replace('/[^a-z_]+/i', '_', $s);

【参考方案2】：

我相信以下应该可行。

preg_replace('/[^A-Za-z_]+(.*)?([^A-Za-z_]+)?/', '_', $string);

正则表达式[^A-Za-z_]+ 的第一部分匹配一个或多个非字母或下划线字符。正则表达式的结尾部分是相同的，只是它是可选的。这是为了允许中间部分 (.*)?（也是可选的）捕获两个列入黑名单的字符之间的任何字符（甚至是字母和下划线）。

【参考方案3】：

应该可以使用：

$text = preg_replace( '/(?<=[a-zA-Z])[^a-zA-Z_]+(?=[a-zA-Z])/', '_', $text );

因此，可以通过环视来查看前后是否有一个字母字符，并替换它之间的任何非字母/非下划线。

【参考方案4】：

试试这个

$result = preg_replace('/([\d\s]|<[^<>]+>)/', '_', $subject);

说明

"
(               # Match the regular expression below and capture its match into backreference number 1
                   # Match either the regular expression below (attempting the next alternative only if this one fails)
      [\d\s]          # Match a single character present in the list below
                         # A single digit 0..9
                         # A whitespace character (spaces, tabs, and line breaks)
   |               # Or match regular expression number 2 below (the entire group fails if this one fails to match)
      <               # Match the character “<” literally
      [^<>]           # Match a single character NOT present in the list “<>”
         +               # Between one and unlimited times, as many times as possible, giving back as needed (greedy)
      >               # Match the character “>” literally
)
"