Question

我想删除在内容结尾处未正确关闭的所有元素，例如在下面的测试中

commodi consequatur? Quis autem vel eum iure reprehenderit qui in ea
voluptate velit esse quam nihil molestiae consequatur, 
vel illum qui dolorem eum fugiat quo voluptas nulla 
pariatur? <a rel="nofollow" class="underline"

我想删除

<a rel="nofollow" class="underline"

或没有结束标记的元素

<h2>sample text

或任何其他未在最后正确关闭的html元素。

Answer 1

我写了一个应该做你想做的功能。我们的想法是首先用####模式替换所有有效的标记序列。然后正则表达式将删除从第一个<到字符串结尾的所有内容。之后，有效的标签序列被放回缓冲区（如果该部分由于该部分之前的无效标签而未被删除）。

太糟糕了，我无法添加键盘，因为键盘使用的PHP版本似乎不支持递归正则表达式。我用PHP 5.3.5进行了测试。

<强> PHP

function StripUnclosedTags($input) {
    // Close <br> tags
    $buffer = str_ireplace("<br>", "<br/>", $input);
    // Find all matching open/close HTML tags (using recursion)
    $pattern = "/<([\w]+)([^>]*?) (([\s]*\/>)| (>((([^<]*?|<\!\-\-.*?\-\->)| (?R))*)<\/\\1[\s]*>))/ixsm";
    preg_match_all($pattern, $buffer, $matches, PREG_OFFSET_CAPTURE);
    // Mask matching open/close tag sequences in the buffer
    foreach ($matches[0] as $match) {
        $ofs = $match[1];
        for ($i = 0; $i < strlen($match[0]); $i++, $ofs++)
            $buffer[$ofs] = "#";
    }
    // Remove unclosed tags
    $buffer = preg_replace("/<.*$/", "", $buffer);
    // Put back content of matching open/close tag sequences to the buffer
    foreach ($matches[0] as $match) {
        $ofs = $match[1];
        for ($i = 0; $i < strlen($match[0]) && $ofs < strlen($buffer); $i++, $ofs++)
            $buffer[$ofs] = $match[0][$i];
    }
    return $buffer;
}

$str = 'commodi consequatur? Quis autem vel eum iure reprehenderit qui in ea voluptate '
      .'velit esse<br> quam nihil molestiae consequatur,  vel illum qui dolorem eum '
      .'fugiat quo voluptas nulla  pariatur? '
      .'<a href="test">test<p></p></a><span>test<p></p>bla';

var_dump(StripUnclosedTags($str));

<强>输出

string 'commodi consequatur? Quis autem vel eum iure reprehenderit qui in ea
voluptate velit esse<br/> quam nihil molestiae consequatur, 
vel illum qui dolorem eum fugiat quo voluptas nulla 
pariatur? <a href="test">test<p></p></a>' (length=226)

从文本末尾删除未关闭的html元素

1 个答案: