php正则表达式识别解码字符串中的所有HTML特殊字符答案

【问题标题】：php regex to identify all HTML special chars in decoded stringphp正则表达式识别解码字符串中的所有HTML特殊字符
【发布时间】：2012-12-03 19:20:51
【问题描述】：

我希望已经在 SO 中找到它......但到目前为止还没有

我说的是一个查看 HTML ENCODED 字符串的正则表达式：例如像

blip &#9830; trout&rsquo;s mouth

我是否用&\w+; 和&#[0-9]+; 覆盖了所有基础？

$encoded_string = htmlspecialchars($_GET["searchterms"]);
echo "<b>Search results for submitted string: \"$encoded_string\"</b><br><br>";
$html_special_chars_pattern = "!(&\\w+;|&#[0-9]+;)!";
$non_html_tokens = preg_split( $html_special_chars_pattern, $encoded_string, -1, PREG_SPLIT_DELIM_CAPTURE );

【问题讨论】：

标签： php html regex decoding

【解决方案1】：

我已将my earlier related post 作为答案。如果其他人提出了更好的解决方案或为什么会失败，请告诉我:)

preg_match_all('/&(?:[a-z]+|#\d+);/', $content, $matches);

也支持十六进制实体：

preg_match_all('/&(?:[a-z]+|#x?\d+);/i', $content, $matches);

顺便说一句，(?: ... ) 用于防止内存捕获。另见：What does `?` mean in this Perl regex?

【讨论】：

谢谢...正如您在下面的答案中看到的那样，似乎还有十六进制参考的问题。另外我想了解“？：”序列在您的正则表达式中具有什么功能...
@mikerodent, (?:) 是非捕获组

【解决方案2】：

您缺少&#xH; or &#XH; numeric character references。

5.3.1 数字字符引用

数字字符引用指定字符在文档字符集中的代码位置。数字字符引用可能有两种形式：

语法“D;”，其中 D 是十进制数，指的是 ISO 10646 十进制字符数 D。

语法“H;”或“H;”，其中 H 是十六进制数，指的是 ISO 10646 十六进制字符数 H。数字字符引用中的十六进制数不区分大小写。

即正则表达式中的&#[xX][a-fA-F0-9]+;。

【讨论】：

谢谢...就您所知，这是否涵盖了所有 HTML 实体（引用等）？
@mikerodent，据我所知，是的
@Alexander +1 感谢您的参考:)