使用正则表达式的 HTML 标记的递归内容答案

【问题标题】：Recursive Contents of HTML tag using regex使用正则表达式的 HTML 标记的递归内容
【发布时间】：2014-04-03 00:28:55
【问题描述】：

我正在为我的客户编写一个应用程序，它使用 WYSIWYG 允许员工修改带有某些变量的信函模板，这些变量被解析为写信给客户的信息。

WYSIWYG 生成 HTML，我将其保存到 SQL 服务器数据库中。然后，我使用 PHP 类生成带有模板文本的 PDF 文档。

这是我的问题。 PDF 生成类可以翻译 b,u,i HTML 标签。而已。这基本上没问题，除了我也需要翻译块引用。我认为最好的解决方案是编写一个正则表达式语句，获取每个 blockquote HTML 块的内容，并用五个空格替换块中的每一行。诀窍是一些块引用可能包含嵌套块引用（双缩进，等等）

但不幸的是，我对正则表达式一向不太熟悉，在过去的 1.5 小时里我尝试了不同的模式，但没有任何效果。

这里有一些问题：

字符串可能包含也可能不包含块引用块
字符串可以包含多个块引用
字符串可能包含任何级别的块引用块嵌套
我们可以依赖 HTML 格式正确

一个示例输入字符串看起来像这样：

Dear Charlie,<br><br>We are contacting you because blah blah blah blah.<br><br><br>To login, please use this information:<blockquote>Username: someUsername<br>Password: somePassword</blockquote><br><br>Thank you.

为了简单的解决方案，我需要将每个块引号内的每个 HTML 中断替换为 5 个空格，然后是 \n 换行符。

【问题讨论】：

在解决 RegEx 问题时，修改 PDF 创建器似乎比 mickey-mouse 更实用。这是您正在使用的闭源库，还是可以修改的？
@Brad It's this class -> ros.co.nz/pdf
你确实实现了“blockquote indent”！==“intent 5 spaces at the beginning of the line”对吧？
呸stackoverflow.com/questions/1732348/…
虽然我意识到它不像“5 个空格”那么简单，但这可能是在 PDF 文档中模拟块引用的最简单方法，因为它会打印出每个空格（与 HTML 处理空格的方式不同）。我将用来模拟效果的空格数量可能会被调整或最终变成使用 \t 字符。我仍处于试验阶段，只需要让它“工作”

标签： php regex

【解决方案1】：

您可能想查看PHP Simple HTML DOM Parser。您可以使用它将输入解析为 HTML DOM 树并使用它。

【讨论】：

如果一切都失败了，我同意这一点。解析为 HTML 文档，然后将其“反向解析”回数据库。

【解决方案2】：

~<blockquote>((?:[^<]*+(?:(?!<blockquote>)|(?R))*+)*+)</blockquote>~

您需要使用preg_replace_callback 递归地运行这个正则表达式：

const REGEX_BLOCKQUOTE = '~<blockquote>((?:[^<]*+(?:(?!<blockquote>)|(?R))*+)*+)</blockquote>~';
function blockquoteCallback($matches) {
    return doIndent(preg_replace_callback(REGEX_BLOCKQUOTE, __FUNCTION__, $matches[1]));
}

$output = preg_replace_callback(REGEX_BLOCKQUOTE, 'blockQuoteCallback', $input);

我的正则表达式假设，块引用或其他任何地方不会有任何属性。

（PS：我会把“使用 DOM 解析器”的评论留给其他人。）

【讨论】：

【解决方案3】：

正则表达式有一个theory behind them，即使现代的正则表达式引擎提供了一个'Type - 2.5'级别的语言，有些事情仍然不可行。在您的特殊情况下，嵌套不容易实现。解释这一点的一种简单方法是说正则表达式不能保持计数.. 即他们无法计算嵌套级别...

您需要的是有限的 CFG（paren-counting 类型）.. 您需要以某种方式保持计数..可能是堆栈或树...

【讨论】：

PHP 使用的正则表达式风格 (PCRE) 允许以多种方式进行递归。使用反向引用捕获组(?n) 或使用递归子组(?R)。
@nikic by 'Type -2.5' 我想到了 pcre .. 我不知道 php 已经切换到它 .. 但是 regexp 看起来很麻烦......如果解决方案涉及编写一个函数和在其中递归，使用
和
和 \n 作为分隔符进行标记，并进行简单的扫描可能是一个更易读的解决方案！