如何删除脚本元素内的 CDATA 块？

Question

使用 PHP，在 HTML 文件中，我想删除脚本元素中的 CDATA 块。

<script type="text/javascript">
    /* <![CDATA[ */
    var A=new Array();
    ..........................
    ..........................
/* ]]> */
</script>
some text2 ........................
some text3 ........................
some text4 ........................
<script type="text/javascript">
    /* <![CDATA[ */
    var B=new Array();
    ..........................
    ..........................
/* ]]> */
some text5 ........................

我还没有找到如何使用 XPath 和 PHP DomDocument 选择和删除此节点。

我试过这个正则表达式 $re = '/\/\*\s*<!\[CDATA\[[\s\S]*\/\*\s*\]\]>\s*\*\//i';

但这会删除所有文本，包括两个 CDATA 块之间的文本。

结果我得到一个空字符串而不是

some text2 ........................ 
some text3 ........................ 
some text4 ........................ 
some text5 ........................

有什么想法吗？

使用 ThW 解决方案更新：

有了这个页面，好像CDATA部分的文字解析不好

libxml_use_internal_errors(true);
$domDoc = new DOMDocument();
$domDoc->loadHTMLFile('https://www.maisons-qualite.com/le-reseau-mdq/recherche-constructeurs-agrees/construction-maison-neuve-centre-val-loire');
libxml_clear_errors();

$xpath = new DOMXpath($domDoc);
foreach($xpath->evaluate('//text()') as $section) {
  if ($section instanceof DOMCDATASection) {
    print_r($section->textContent);
    $section->parentNode->removeChild($section);
  }
}
$content = $domDoc->saveHTML();

我得到了这个文本内容

.....
.....
function updateConstructeurs(list) {
    for (var i in list) {
        if(list[i]['thumbnail']) {
            jQuery('#reseau-constructeurs').append('<div class="reseau-constructeur">' +
                '<div class="img" style="background-image:url(' + list[i]['thumbnail'] + ')">

为

function updateConstructeurs(list) {
    for (var i in list) {
        if(list[i]['thumbnail']) {
            jQuery('#reseau-constructeurs').append('<div class="reseau-constructeur">' +
                '<div class="img" style="background-image:url(' + list[i]['thumbnail'] + ')"></div>' +
                '<h3>' + list[i]['title'] + '</h3>' +
                '<a class="btn purple" href="' + list[i]['link'] + '">Accéder à la fiche</a>' +
            '</div>');
        }
    }
}

因此，我们得到的不是空字符串，而是：

                        '<h3>' + list[i]['title'] + '</h3>' +
                        '<a class="btn purple" href="'%20+%20list%5Bi%5D%5B'link'%5D%20+%20'">Acc&eacute;der &agrave; la fiche</a>' +
                    '</div>');
                }
            }
        }
    /* ]]&gt; */

Answer 1

使[\s\S]* 非贪婪，即[\s\S]*?：

\/\*\s*<!\[CDATA\[[\s\S]*?\/\*\s*\]\]>\s*\*\/

演示：https://regex101.com/r/AutLW9/1

Answer 2

Dmitry Egorov 在 PHP 中的解决方案。

$re = '/\/\*\s*<!\[CDATA\[[\s\S]*?\/\*\s*\]\]>\s*\*\//';
$str = '<script type="text/javascript">
    /* <![CDATA[ */
    var A=new Array();
    ..........................
    ..........................
/* ]]> */
</script>
some text2 ........................
some text3 ........................
some text4 ........................
<script type="text/javascript">
    /* <![CDATA[ */
    var B=new Array();
    ..........................
    ..........................
/* ]]> */
</script>
some text5 ........................';
$subst = '';

$result = preg_replace($re, $subst, $str);

echo "The result of the substitution is ".$result;

Answer 3

CData 节是一种字符节点，类似于文本节点。对于大多数目的，您以相同的方式处理它们 - 区别在于序列化。因此，如果它们是 CDATA 部分（而不是文本节点），则使用 Xpath 获取节点并删除它们：

$document = new DOMDocument();
$document->loadHtml($html);
$xpath = new DOMXpath($document);

foreach($xpath->evaluate('//text()') as $section) {
  if ($section instanceof DOMCDATASection) {
    $section->parentNode->removeChild($section);
  }
}

echo $document->saveHtml();

但是，您可能需要重新考虑这一点。没有 CDATA 部分真的很重要吗？您可能想要删除 script 元素的内容。这甚至更短：

$document = new DOMDocument();
$document->loadHtml($html);
$xpath = new DOMXpath($document);

foreach($xpath->evaluate('//script/node()') as $node) {
  $node->parentNode->removeChild($section);
}

echo $document->saveHtml();

//script/node() 匹配script 元素内的任何子节点。无论是 CDATA 部分、文本节点还是其他任何内容。