preg_split 混合 HTML 和 PHP 标记，引号和注释除外

Question

我有一个混合了 HTML 的 php 页面。一些示例代码：

<?php echo "<p>some text</p>"; ?>/* <? some php in comments ?> */
<p>some HTML text</p> <!-- <h1>some HTML in comments</h1> -->
<? $header_info = <<<END 
\$some="<?php @ob_start(); @session_set_save_handler(); ?>";
END; ?>
<h2>Some more HTML</h2>

我想在每个 PHP 和 HTML 标记处拆分，但保留引号或 cmets 中的任何 PHP 标记或 HTML 标记不变/忽略。这是我目前所拥有的：

$array = preg_split("/((^<\?php)|([^'|\"]<\?php)|([^'|\"]<\?)|([^'|\"]\?>)|(<\%)|(\%>))/i", $string, -1);

我遇到的问题是最终 $array 中缺少一些 HTML 右括号“>”。我想保持 HTML 打开和关闭标签完好无损。有时我会得到 ​​p>

<p></p instead of <p></p> 

应该是这样的：

[0] echo "<p>some text</p>";  
[1] <p>some HTML text</p> 
[2] $header_info = <<<END 
\$some="<?php @ob_start(); @session_set_save_handler(); ?>";
END; 
[3] <h2>Some more HTML</h2>

只要 preg_split 不将它们视为任何分隔符并忽略其中任何一个，任何 cmets 都不需要是数组的一部分。

我也刚刚意识到一些 php 标签，尤其是在使用 eval() 时可能会像这样结束：

"?> <p>some HTML text</p> <?";

这意味着我的正则表达式中的引号将不匹配任何这些情况。

Preg_match() 可能是更好的选择，但不确定。

任何帮助都将不胜感激，因为我在正则表达式方面不是很聪明，而且在这一点上卡住了。

非常感谢:)

Answer 1

序言
由于询问了正则表达式解决方案，因此以下解决方案将依赖于正则表达式。然而，在这种特殊情况下，PHP 解析器会更适合。

正则表达式

#(?<!"|\')<\\?(?:php)?\\s+(.+?)\\?>(?!"|\')|/\*.+\*/|<!--.+-->#is

脚本

$subject = '<?php echo "<p>some text</p>"; ?>/* <? some php in comments ?> */
<p>some HTML text</p> <!-- <h1>some HTML in comments</h1> -->
<? $header_info = <<<END
\\$some="<?php @ob_start(); @session_set_save_handler(); ?>";
END; ?>
<h2>Some more HTML</h2>';

$returnValue = preg_replace('#(?<!"|\')<\\?(?:php)?\\s+(.+?)\\?>(?!"|\')|/\*.+\*/|<!--.+-->#is', '$1', $subject, -1);

var_dump(preg_split('#\\r?\\n#s', $returnValue));

结果

array(6) {
  [0]=>
  string(25) "echo "<p>some text</p>"; "
  [1]=>
  string(22) "<p>some HTML text</p> "
  [2]=>
  string(21) "$header_info = <<<END"
  [3]=>
  string(60) "\$some="<?php @ob_start(); @session_set_save_handler(); ?>";"
  [4]=>
  string(5) "END; "
  [5]=>
  string(23) "<h2>Some more HTML</h2>"
}

演示
http://sandbox.onlinephpfunctions.com/code/017a51877b50f272f151feade7b59e142757481e

讨论

1. # 
2. (?<!"|\')
3. <\\?(?:php)?\\s+
4. (.+?)
5. \\?>
6. (?!"|\')
7. |/\*.+\*/
8. |<!--.+-->
9. #is

line 1 我使用这个正则表达式分隔符，因为它允许避免转义 /
line 2 这是 key正则表达式。 negative lookbehind 用于确保下一个开始 php 标记前面没有任何单引号或双引号。
第 3 行 这里定义了一个开始 php 标记是。为了也支持 ASP 标签，这一行可以这样修改：<\\?(?:php|%)?\\s+
第 4 行 因为我们检测到一个 php 代码序列的开始，我们匹配任何出现在这个 php 代码中的字符顺序。请注意，在 第 9 行，我们使用 s 标志来指示我们希望在 php 代码序列中也有新行。
第 5 行我们标记 php 的结尾代码序列。
第 6 行我们确保前面匹配的 php 标记后面没有任何带有 negative lookahead 断言的单引号/双引号。
line 7,8 如果我们发现一些 php/HTML 注释，它们将被简单地忽略。
line 9 结束 f 正则表达式。

已知问题

• 在$subject 上执行正则表达式后，只需使用换行符（前面有可选的回车符）分隔行。
• 不努力处理 php heredoc 或 newdoc 语法。
• 这个正则表达式应该不被视为针对任何 php 代码的防弹正则表达式。 PHP 解析器更适合。