正则表达式（在 PHP 中）匹配 & 不是 HTML 实体答案

【问题标题】：regex (in PHP) to match & that aren't HTML entities正则表达式（在 PHP 中）匹配 & 不是 HTML 实体
【发布时间】：2010-09-23 13:25:25
【问题描述】：

我们的目标是：用 & 替换所有独立的 & 符号。但不能替换那些已经属于 HTML 实体的部分，例如。

我想我需要一个 PHP 正则表达式（最好是 preg_ 函数），它只匹配独立的 & 符号。我只是不知道如何使用 preg_replace 来做到这一点。

【问题讨论】：

标签： php regex pcre

【解决方案1】：

您总是可以在运行htmlentities 之前运行html_entity_decode？除非你只想做 & 符号（即使那样你也可以使用字符集参数）。

比正则表达式更容易和更快。

【讨论】：

我可能应该解释一下总体目标。我有 UTF-8 的字符串，并且可能有 HTML 实体。我想在 UTF-8 RSS 提要的描述元素中使用它们。据我所知，RSS/XML 接受十六进制 HTML 实体，但很少或不接受字母数字实体。
使用 Atom 代替 RSS - 实体没有问题 :)

【解决方案2】：

Ross 让我得到了一个很好的答案。这是似乎运行良好的代码。迄今为止。 :-) 同样，目标是将 HTML 转换为 XML，特别是 RSS 提要的描述。在我到目前为止所做的简短测试中（使用一些相当古怪的数据），我已经能够将字符串包装在 CDATA 中并将其解包。通过验证测试。谢谢，罗斯。

//decode all entities
$string=html_entity_decode($string,ENT_COMPAT,'UTF-8');

//entity-encode only &<> and double quotes
$string=htmlspecialchars($string,ENT_COMPAT,'UTF-8');

【讨论】：

【解决方案3】：

其他的都是很好的建议，可能是更好的方法。但我想我会尝试按要求回答这个问题——如果只是为了提供一个正则表达式示例。

以下是某些引擎中允许的特殊分解形式。当然，奇怪的是允许注释正则表达式的引擎允许其他简化表达式 - 但不是通用的。我会将这些简化的表达式放在 cmets 中的括号中。

&                      # an ampersand
( \#                   # a '#' character
  [1-9]                # followed by a non-zero digit, 
  [0-9]{1,3}           # with between 2 and 4             (\d{1,3} or \p{IsDigit}{1,3})
| [A-Za-z]             # OR a letter                      (\p{IsAlpha})
  [0-9A-Za-z]+         # followed by letters or numbers   (\p{IsAlnum}+)
)
;                      # all capped with a ';'

您甚至可以在其中放入一堆预期的实体，以帮助正则表达式扫描器。

&                      # an ampersand
( amp | apos | gt | lt | nbsp | quot                 
                       # standard entities
| bull | hellip | [lr][ds]quo | [mn]dash | permil          
                       # some fancier ones
| \#                   # a '#' character
  [1-9]                # followed by a non-zero digit, 
  [0-9]{1,3}           # with between 2 and 4 
|  [A-Za-z]            # OR a letter
  [0-9A-Za-z]+         # followed by letters or numbers
)
;                      # all capped with a ';'

【讨论】：

你也可以有' '类型，因此您需要再添加一个分支，但在实际说明正则表达式时很好。
虽然您匹配的是 HTML 实体而不是不属于实体的“&”。

【解决方案4】：

PHP 的 htmlentities() 对此有 double_encode 参数。

如果你想在正则表达式中做类似的事情，那么否定断言会很有用：

preg_replace('/&(?!(?:[[:alpha:]][[:alnum:]]*|#(?:[[:digit:]]+|[Xx][[:xdigit:]]+));)/', '&amp;', $txt);

【讨论】：

【解决方案5】：

我也遇到了同样的问题，原来是用的：

$string = htmlspecialchars($string, ENT_QUOTES, "UTF-8", FALSE);

但需要它与 PHP4 和混合字符集一起使用，最终得到：


function htmlspecialchars_custom($string)
{
  $string = str_replace("\x05\x06", "", $string);
  $string = preg_replace("/&([a-z\d]{2,7}|#\d{2,5});/i", "\x05\x06$1", $string);
  $string = htmlspecialchars($string, ENT_QUOTES);
  $string = str_replace("\x05\x06", "&", $string);

  return $string;
}

它并不完美，但足以满足我的需求。

【讨论】：