如何仅剥离所有锚标签和 href 属性？

Question

我有一个场景，我需要从 HTML 内容中去除所有锚点，但这样做时我不想去除锚点标签的 href 部分。

目前我正在使用这个正则表达式来使用 preg_replace() 剥离锚。

<a [^>]*> strips all the anchor tag
<a.+href\=[\"|\'](.+)[\"|\'].*\>.*\<\/a\> - matches href

示例字符串： "anchor href="mailto:xyz@gmail.com">namemail 锚点"

在执行 preg_replace() 之后，我应该得到“mailto:xyz@gmail.com”字符串，因为其余的文本都应该被剥离。

Answer 1

$html = '<a href="http://www..." x=asdasda?></a>';
$html = preg_replace("|<a[^>]*href\s*=\s*([\"'])([^\"']*)\\1[^>]*>[^<]*</a>|si", "$2", $html);

输出：

http://www...

Answer 2

使用 DOMDocument 解析 HTML 会比尝试使用正则表达式更成功：

以下是您可以应该做什么的概念验证：

function replaceAnchorTags($html) {
    //Intialise document using provided HTML
    $doc = new DOMDocument();
    @$doc->loadHTML($html);         //suppress invalid HTML warnings
    $doc_elem = $doc->documentElement;

    traverse($doc, $doc_elem);
    return $doc->saveHTML();
}

function traverse(&$doc, $elem) {
    if ($elem->nodeType === XML_ELEMENT_NODE and $elem->tagName == "a") {
        $href = $elem->getAttribute("href");
        // Obviously here you might want to keep the anchor's inner HTML as
        // well as the URL...
        $text_replacement = $doc->createTextNode($href);
        $elem->parentNode->replaceChild($text_replacement, $elem);
    }

    if ($elem->hasChildNodes()) {
        $children = $elem->childNodes;
        for ($i=0, $max=$children->length; $i<$max; $i++) {
            traverse($doc, $children->item($i));
        }
    }
}

$html = "<p>Hello <a href='http://twitter.com'>Brave New</a> World</p>";

echo replaceAnchorTags($html);

Answer 3

试试这个正则表达式：

~<a.+?href=(["'])(.+?)\1.*?>.*?</a>~is

说明

详细说明

~<a.+?href=(["'])(.+?)\1.*?>.*?</a>~is

<a    # matches the characters <a literally (case sensitive)
.+?   # matches any character, the least possible
href= # matches the characters href= literally (case sensitive)
1st Capturing group (["'])
    ["'] # matches a single character. Either " or '
2nd Capturing group (.+?)
    .+?  # matches any character, the least possible
\1    # matches a single character corresponding the character found in first capturing group.
.*?   # matches zero or more characters, the least possible
>     # matches the character > literally
.*?   # matches zero or more characters, the least possible
</a>  # matches the characters </a> literally (case sensitive)
i modifier: ignore case
s modifier: single line. Dot matches newline characters

NOTA: The ~ between the regex delimit it and allow us to don't escape /.

演示

http://regex101.com/r/fX1fP1

一些注意事项

• [\"|\']

  不要过度逃避。仅当您想显式匹配元字符时才转义元字符。请改用["|']。

• ["|']

  除非你想匹配它，否则不要在字符类中使用|。字符类中的字符已经是ORed。检查以下描述：

  当您键入 ["|'] 时，正则表达式会看到：

  当您键入 ["'] 时，正则表达式会看到：