Удалить HTML-теги без атрибутов (php)

Question

У меня есть функция

function remove_font_tags_without_attr($html)
{  
  $pattern = "/<font[\s]*?>(.*?)<\/font[\s]*>/im";    
  while(preg_match($pattern, $html)) {
    $html = preg_replace($pattern, "$1", $html);
  } 
  return $html;  
}

И ввод HTML

$html=
<p>
First: 0<font>1<font>2</font>3</font>4
Second: 0<font style="color:red">1<font>2</font>3</font>4
Third: 0<font>1<font style="color:green">2</font>3</font>4
Fourth: 0<font style="color:red">1<font style="color:green">2</font>3</font>4
</p>

ИИ нужно удалить все теги шрифтов без атрибутов

Моя функция выше return

<p>
First: 01234
Second: 0<font style="color:red">123</font>4
Third: 01<font style="color:green">23</font>4
Fourth: 0<font style="color:red">1<font style="color:green">2</font>3</font>4
</p>

Но проблема в третьей строке. Третий, где правильный результат равен

01<font style="color:green">2</font>34

Полный правильный результат:

<p>
First: 01234
Second: 0<font style="color:red">123</font>4
Third: 01<font style="color:green">2</font>34
Fourth: 0<font style="color:red">1<font style="color:green">2</font>3</font>4
</p>

Можете ли вы мне помочь, пожалуйста?

Answer 1

Отказ от ответственности: Не используйте регулярные выражения!

Не рекомендуется использовать регулярные выражения для разбора HTML (или любого другого нерегулярного языка). Есть много ловушек и способов решения проблемы. Тем не менее, мне очень нравится использовать регулярные выражения для решения сложных проблем, таких как эта, которая включает в себя вложенные структуры. Если кто-то другой предоставляет работающее решение без регулярных выражений, я бы порекомендовал вам использовать это вместо следующего.

Регулярное решение:

Следующее решение реализует рекурсивное регулярное выражение, которое используется вместе с функцией preg_replace_callback() (которая вызывает себя рекурсивно, когда содержимое элемента FONT содержит вложенный элемент FONT). Регулярное выражение соответствует самому внешнему элементу FONT (который может содержать вложенные элементы FONT). Функция обратного вызова удаляет начальный и конечный теги только тех элементов FONT, которые не имеют атрибутов. Теги FONT, которые имеют атрибуты, сохраняются. Я думаю, вы найдете, что это делает довольно хорошую работу:

функция remove_font_tags_without_attr ($ text)

<?php // test.php Rev:20111219_1100
// Recursive regex matches an outermost FONT element and its contents.
$re = '% # Match outermost FONT element.
    <                     # Start of HTML start tag
    (                     # $1: FONT element start tag.
      font                # Tag name = FONT
      (                   # $2: FONT start tag attributes.
        (?:               # Group for zero or more attributes.
          \s+             # Required whitespace precedes attrib.
          [\w.\-:]+       # Attribute name.
          (?:             # Group for optional attribute value.
            \s*=\s*       # Name and value separated by =
            (?:           # Group for value alternatives.
              \'[^\']*\'  # Either single quoted,
            | "[^"]*"     # or double quoted,
            | [\w.\-:]+   # or unquoted value.
            )             # End group of value alternatives.
          )?              # Attribute value is optional.
        )*                # Zero or more attributes.
      )                   # End $2: FONT start tag attributes.
      \s*                 # Optional whitespace before closing >.
      >                   # End FONT element start tag.
    )                     # End $1: FONT element start tag.
    (                     # $3: FONT element contents.
      (?:                 # Group for zero or more content alts.
        (?R)              # Either a nested FONT element.
      |                   # or non-FONT tag stuff.
        [^<]*             # {normal*} Non-< start of tag stuff.
        (?:               # Begin "unrolling-the-loop".
          <               # {special} A "<", but only if it is
          (?:!/?font)     # NOT start of a <font or </font
          [^<]*           # more {normal*} Non-< start of tag.
        )*                # End {(special normal*)*} construct.
      )*                  # Zero or more content alternatives.
    )                     # End $3: FONT element contents.
    </font\s*>            # FONT element end tag.
    %xi';

// Remove matching start and end tags of FONT elements having no attributes.
function remove_font_tags_without_attr($text) {
    global $re;
    $text = preg_replace_callback($re,
            '_remove_font_tags_without_attr_cb', $text);
    $text = str_replace("<\0", '<', $text);
    return $text;
}
function _remove_font_tags_without_attr_cb($matches) {
    global $re;
    if (preg_match($re, $matches[3])) {
        $matches[3] = preg_replace_callback($re,
            '_remove_font_tags_without_attr_cb', $matches[3]);
    }
    if ($matches[2] == '') {    // If this FONT tag has no attributes,
        return $matches[3];     // Then strip both start and end tag.
    }
    // Hide the start and end tags by inserting a temporary null char.
    return "<\0". $matches[1] . $matches[3] . "<\0/font>";
}
$data = file_get_contents('testdata.html');
$output = remove_font_tags_without_attr($data);
file_put_contents('testdata_out.html', $output);
?>

Пример ввода:

<font attrib="value">
    <font>
        <font attrib="value">
            <font>
                <font attrib="value">
                </font>
            </font>
        </font>
    </font>
</font>

Пример вывода:

<font attrib="value">

        <font attrib="value">

                <font attrib="value">
                </font>

        </font>

</font>

Сложность регулярного выражения требуется для правильной обработки атрибутов тега, значения которых могут содержать <> угловых скобок.

Answer 2

Сделать это жадным:

$pattern = "/<font[\s]*?>(.*)<\/font[\s]*>/im"; 

Жадность: * (звезда) Повторяет предыдущий элемент ноль или более раз.Жадный, поэтому как можно больше совпадений будет найдено, прежде чем пытаться перестановки с меньшим количеством совпадений предыдущего элемента, вплоть до точки, где предыдущий элемент вообще не сопоставляется.

Answer 3

Если php не может сделать это, то не может. Я попытаюсь сделать это и опубликую php-код, если это возможно. Код Perl - это просто шаблон того, как я его пробую.

Редактировать
Perl-код удален, PHP-код добавлен. Идеальный тестовый пример здесь http://www.ideone.com/9b2Ap

Расширенное регулярное выражение -

  $regex = "~
     $comment
   | (                     #1                            
       (?:                                             
           $open                                       
         | ($openatt)        #2                          
       )                                               
       (                     #3                       
          (?:  $comment                                         
             | (?> (?:(?!$openclose|$comment) . )+ ) 
             | (?1)                                         
          )*                                               
       )                                                   
       ($close)              #4                              
     )                                                 
  ~xs";

php -

<?php

//##
  $html = '
      <font>
      <p>
        First: _0<font>_1<font>_2</font>_3</font>_4
        Second: _5<font style="color:red">_6<font>_7</font>_8</font>_9
        Third: _10<font>_11<font style="color:green">_12</font>_13</font>_14
        Fourth: _15<font style="color:red">_16<font style="color:green">_17</font>_18</font>_19
      </p>
      </font>
   ';

//##
  $comment   = '<!--.*?-->';
  $open      = '<font\s*>';
  $openatt   = '<font \s+(?:".*?"|\'.*?\'|[^>]*?)+ (?<!/)>';
  $close     = '</font\s*>';
  $openclose = '</?font (?:\s+(?:".*?"|\'.*?\'|[^>]*?)+)? (?<!/)>';

  $regex = "~
     $comment
   | (                             #1
       (?: $open | ($openatt) )                                       #2
       ( (?:$comment | (?>(?:(?!$openclose|$comment).)+) | (?1))* )   #3
       ($close)                                                       #4
     )
  ~xs";


//##
  print "Before:\n$html\n\n";
  $html = remove_font_tags_without_attr( $html );
  print "After:\n$html\n";
  exit;

//##
 function
   remove_font_tags_without_attr( $html_seg )
   {
     global $regex;
     return  preg_replace_callback( $regex, 'check_attr_cb', $html_seg );
   }

 function
   check_attr_cb( $matches )
   {
     if ($matches[1] == '')
        return $matches[0];
     $begin = $matches[2];
     $core  = $matches[3];
     $end   = $matches[4];

     if ($begin == '')
        $end = '';
     return  $begin . (remove_font_tags_without_attr( $core )) . $end;
   }
?>