使用 PHP 查找任何打开但未关闭的 HTML 标记

Question

好的，首先，我不想用 RegEx 解析 HTML。或者至少这不是我的一般目的。问题如下： 我有不同的语言文件，其中包含不同的字符串变量（不要介意编码，该特定情况下的问题已解决）。我想缩短到特定长度的一些变量，具有我想保留的 HTML 格式（例如字体、h1、strong、a 等。听起来像标准情况，已经解决但我面临一个大问题自己解决）。如果你还在阅读，恭喜！我解决问题的方法完全不同，我运行了一个while循环，遍历整个文本并计算<和>之外的所有字符。代码如下：

function shorten($text, $length = 1000, $ellipsis= '...', $html = true) {
    $tagsUsed = array('font', 'b', 'a', 'sub', 'sup');
    $xhtmlTags = array('br');
    $openTags = array();
    $closedTags = array();
    $inTag = false;
    $tagName = "";

    $i = 0;
    $cntr = 0;

    $truncatedStr = "";

    while($cntr < $length){
    $truncatedStr .= $text[$i];

        switch($text[$i]){

            case "<":
                $inTag = true;
                break;

            case ">":
                $inTag = false;
                break;

            default: 
                if($inTag == false){
                    $cntr++;
                }
        }

        $i++;
    }

    preg_match_all("/(<\/?([\w+]+)[^>]*>)?([^<>]*)/", $truncatedStr, $tags);

    foreach ($tags[2] as $tag) {
        if(!in_array($tag, $xhtmlTags)){
            array_push($openTags, $tag);
        }
    }

    return $truncatedStr.$ellipsis;
}

一切都很好。我们的翻译团队知道要使用哪些 html 标签，这是最重要的部分：这与发布 html 的用户无关，我们要清理。问题出在preg_match_all() 函数中。我需要一个只占用标签开头部分的正则表达式模式（例如，将采用<font>，但不会采用</font>）。任何帮助表示赞赏，请不要因为整个“regex-html”而发誓:)

Answer 1

假设我已正确阅读您的问题，您想要的正则表达式是<([^/>]+|br\s*\/)>。分解：

< 匹配文字左角字符。

( 创建一个组（在这种情况下是捕获组，但没关系）。

[^/>] 是一个否定字符类，它将匹配除正斜杠或结束角字符之外的任何字符。

+ 将匹配重复一次或多次的前一个标记（否定字符类）。

| 的行为类似于布尔 OR：匹配此模式或此模式。在这种情况下，匹配左侧表达式（非斜线重复）或右侧表达式（br/）。

br 匹配文字字符串“br”。

\s 匹配任何空白字符。

* 匹配前一个标记（空格）0 次或多次。

\/ 匹配文字正斜杠字符。

) 关闭群组。

> 匹配直角字符。

瞧！ <([^/>]+|br\s*\/)> 匹配 <font> 但不匹配 </font>、<h1> 但不匹配 </h1> 以及 <br />。 （感谢 klaar 指出最后一个）。