PHP 正则表达式仅从 URL 中清除特定字符串答案

【问题标题】：PHP regex to clean a specific string from URLs onlyPHP 正则表达式仅从 URL 中清除特定字符串
【发布时间】：2013-10-24 21:47:00
【问题描述】：

任何正则表达式忍者都想出一个 PHP 解决方案来清除任何 http/url 中的标签，但将标签留在文本的其余部分？

例如：

the word <cite>printing</cite> is in http://www.thisis<cite>printing</cite>.com

应该变成：

the word <cite>printing</cite> is in http://www.thisisprinting.com

【问题讨论】：

相当艰巨的任务，你有没有详细说明？
匹配 url 并不容易，人为错误，例如在句号 . 后没有放置空格，可能会造成严重破坏。您可以保证网址的哪些部分存在，即https?://|www。如果你能保证某些字符串会存在，那么删除标签就不难了

标签： php regex url

【解决方案1】：

这就是我会做的：

<?php
//a callback function wrapper for strip_tags
function strip($matches){
    return strip_tags($matches[0]);
}

//the string
$str = "the word <cite>printing<cite> is in http://www.thisis<cite>printing</cite>.com";
//match a url and call the strip callback on it
$str = preg_replace_callback("/:\/\/[^\s]*/", 'strip', $str);

//prove that it works
var_dump(htmlentities($str));

http://codepad.viper-7.com/XiPcs9

【讨论】：

【解决方案2】：

此替换的适当正则表达式可能是：

#(https?://)(.*?)<cite>(.*?)</cite>([^\s]*)#s

s 标志以匹配所有换行符。
在标签之间使用lazy 选择是为了准确而不是逃避更多相似的标签

片段：

<?php
$str = "the word <cite>printing<cite> is in http://www.thisis<cite>printing</cite>.com";
$replaced = preg_replace('#(https?://)(.*?)<cite>(.*?)</cite>([^\s]*)#s', "$1$2$3$4", $str);
echo $replaced;

// Output: the word <cite>printing<cite> is in http://www.thisisprinting.com

Live demo

【讨论】：

我建议不要使用(.*?)，而是使用([^\s]*?)。按照您的操作方式，如果 url 是没有引用标签的字符串的第一部分，则后续的 <cite> 标签将从后面的文本中删除。
这是一个很好的开始 - @JonathanKuhn 的添加是无价的。我将如何捕获 URL 中字符串的第二个（第三个等）实例？例如：https://appleid.apple.com

【解决方案3】：

假设您可以从文本中识别 URL，您可以：

$str = 'http://www.thisis<cite>printing</cite>.com';
$str = preg_replace('~</?cite>~i', "", $str);
echo $str;

输出：

http://www.thisisprinting.com

【讨论】：

@HamZa：假设 $str = 'http://www.thisis<cite>printing</cite>.com'; 不是完整的 HTML 文本。
您在这里省略了printing，但他希望输出为http://www.thisisprinting.com