使用 HTMLPurifier 或 regexp 删除嵌套的 html 标签答案

【问题标题】：removing nested html tags using HTMLPurifier or regexp使用 HTMLPurifier 或 regexp 删除嵌套的 html 标签
【发布时间】：2015-05-13 19:11:33
【问题描述】：

我正在寻找一种方法来摆脱一些嵌套的 html 标记，并且已经花了一些时间寻找正确的方法。因为我已经在使用 HTML Purifier，所以我想找到一种使用它的方法，但也知道其他可能的解决方案（例如，在 PHP 中使用正则表达式的正确方法）会很棒:)

这是我拥有的 HTML 结构的示例：

<p><span><span>SOME TEXT</span></span></p>
<table><tbody><tr>
<td><span><span>SOME TEXT</span></span><span>SOME MORE TEXT</span></td>
<td><div><span><span>SOME TEXT</span></span></div><div><span>SOME MORE TEXT</span></div></td>
</tr></tbody></table>
<p>SOME TEXT</p>

我想得到这个输出：

<p><span><span>SOME TEXT</span></span></p>
<table><tbody><tr>
<td>SOME TEXT SOME MORE TEXT</td>
<td>SOME TEXT SOME MORE TEXT</td>
</tr></tbody></table>
<p>SOME TEXT</p>

所以我基本上想要的是一种方法来删除所有嵌套在 td 标签中的 div 和 span 标签，然后再删除。

有没有办法使用 HTML Purifier 来实现这一点，或者有人知道另一种方法来获得这个结果吗？（我已经检查了 HTML Purifier 文档，但找不到只删除嵌套标签的方法）

非常感谢您的帮助。

【问题讨论】：

不要使用正则表达式。正则表达式无法解析 HTML，你会在尝试中发疯。
html 似乎不太适合嵌套。
stackoverflow.com/a/1732454/3897316
非常感谢您的回答。你能想到一个好的工具来实现这个输出吗？不幸的是我不能改变输入。我想使用一个像 HTlML Purfier 这样的工具，但它似乎不支持这个用例。

标签： php html regex

【解决方案1】：

如果您别无选择，那么最好的办法是预处理文本，用单个字符替换打开/关闭标签。这使得更改更容易执行，并且您的预处理可以相当轻松地展开（请原谅我几年没有做过任何 php 的代码）：

$str = preg_replace('/\&/', '&amp;', $str);
$str = preg_replace('/\@/', '&at;', $str);
$str = preg_replace('/\#/', '&hash;', $str);
$str = preg_replace('/\<td/', '@', $str);
$str = preg_replace('/\<\/td/', '#', $str);

while preg_match('/(\@[^\#]*)<[\/]?span[^\>]*>/', $str) {
    $str = preg_replace('/(\@[^\#]*)<[\/]?span[^\>]*>/', '$1', $str);
}

$str = preg_replace('/\@/', '<td', $str);
$str = preg_replace('/\#/', '</td', $str);
$str = preg_replace('/\&hash;/', '#', $str);
$str = preg_replace('/\&at;/',   '@', $str);
$str = preg_replace('/\&amp;/',  '&', $str);

我在 JS 中有类似的东西来清理 HTML，希望这会有所帮助。

【讨论】：