PHP 正则表达式，当 rel="canonical" 时跳过 <link> 标签

Question

我在 WordPress 中运行一个 PHP 脚本，使用以下正则表达式从所有链接中删除 http: 和 https: 协议：

$links = preg_replace( '/<input\b[^<]*\bvalue=[\"\']https?:\/\/(*SKIP)(*F)|https?:\/\//', '//', $links );

对于第一部分：<input\b[^<]*\bvalue=[\"\']https?:\/\/(*SKIP)(*F)，这将跳过任何具有 http: / https: 值的 <input> 标签，例如：

<input type="url" value="http://example.com">

另外，我希望它跳过任何具有rel="canonical" 属性的<link> 标签：

<link rel="canonical" href="http://example.com/remove-http/" />

使用regex tester，我一直在尝试更新逻辑。到目前为止，这是我想出的：

<(input|link)\b[^<]*\(value|rel)=[\"\'](https?:\/\/|canonical)(*SKIP)(*F)|https?:\/\/

但这对我不起作用。

Answer 1

(*SKIP)(*F) 动词用于丢弃到目前为止匹配的文本，并在将文本与这些动词之前的模式匹配后，从正则表达式索引所在的位置开始搜索下一个匹配项。

所以，要匹配word1 或 word2，放下它们并继续寻找word3，你需要使用

'~(?:word1|word2)(*SKIP)(*F)|word3~'

(?:...) 非捕获组将对必须删除的备选方案进行分组。

在您的情况下，应该匹配整个 <link...>，而不仅仅是属性。因此，在上述正则表达式中，您需要 link\b[^>]*?\brel=[\'\"]canonical[\'\"][^>]*> 而不是 word2。

但是，您应该考虑使用与您的环境兼容的 HTML 解析器（我看到您的说明，那里的 DOMDocument 出现故障）。

Answer 2

您应该考虑使用内置的 PHP DOM 类。

http://php.net/manual/en/book.dom.php

HTML 是一种非常丰富的语言，而正则表达式不足以有效地解析它。请永远不要使用正则表达式解析 HTML。

使用正则表达式解析 HTML 会让 SO 用户发疯：https://stackoverflow.com/a/1732454/5909136