Question

我们假设我有以下代码：

<div class="content">
    <h3>Test</h3>
    <img src="#" alt="" />
    <p>Lorem ipsum</p>
    <p>dolor sit</p>
    <p><!-- pagebreak --></p>
    <p>amet</p>
</div>

我想修剪我的代码并在分页后删除所有内容，但保留html逻辑（</div>）：

<div class="content">
    <h3>Test</h3>
    <img src="#" alt="" />
    <p>Lorem ipsum</p>
    <p>dolor sit</p>
</div>

工具：Zend，常规PHP。

有什么想法吗？

Answer 1

您可以使用xpath来访问这些节点：

$doc = new DOMDocument;
$doc->loadHTML($html); // your content with a between '<html></html>' pair
$xpath = new DOMXpath($doc);
$elements = $xpath->query('//p[contains(comment(), "pagebreak")]/following-sibling::*|//p[contains(comment(), "pagebreak")]');
foreach ($elements as $elem) {
    $elem->parentNode->removeChild($elem);
}   

print $doc->saveHTML();

xpath的一点细分：

// p 每个P元素。
// p [] 过滤P的列表，就像它的数组一样。
// p [contains（comment（），“pagebreak”）] 过滤器是否其评论（）值包含“pagebreak”字符串。
// p [contains（comment（），“pagebreak”）] / following-sibling :: * 选择了P的每个兄弟。
另一部分只是一个没有|部分的相同模式的联合（following-sibling::*）。

编辑：

可能不那么多毛的xpath：

//p[contains(comment(), "pagebreak")]/preceding-sibling::*[1]/following-sibling::*

这可以通过退回兄弟列表中的一个（当时以<p>定位在带有注释的那个之前）并具有该节点的following-siblings::*

来实现这一目的。

Answer 2

我做到了！我把它作为个人挑战，我终于用正则表达式做了！这段代码可能没有优化，然后不要犹豫告诉我如何改进它（但使用正则表达式，而不是DOM），但仍然有效！：）

$str = '<div>
    <h3>Test</h3>
    <img/>
    <p>Lorem ipsum</p>
    <p>dolor sit</p>
    <p><-- pagebreak --></p>
    <p>amet</p>
    <blockquote>
        <p>
            lol
        <p>
    </blockquote>
</div>';


$pagebreak_str = '-- pagebreak --';
$weird_replacement = '§~@';

$parsed = array();
$is_below_break = false;

while (preg_match ("#<([^/]+)>#isU",$str)) {
    if ($is_below_break) {
        $str = preg_replace ("#<" .$pagebreak_str. ">#isU", "", $str);
        $str = preg_replace ("#<[^/>]+>(.+)</[^/>]+>#isU", "", $str);
        $str = preg_replace ("#<[^/>]+/>#isU", "", $str);
    }
    else {
        $get = preg_replace ("#^(.*)<([^/>]+)>(.*)$#isU","$2",$str,1);

        if ($get == $pagebreak_str)
            $is_below_break = true;
        if (!$is_below_break)
            $str = preg_replace ("#<([^/>]+)>#isU","$weird_replacement$1>",$str,1);
        if (preg_match ("#</([^/>]+)>(.+)(<$pagebreak_str>)#isU", $str))
            $str = preg_replace ("#</([^/>]+)>#isU", "$weird_replacement/$1>", $str, 1);
    }
}
$str = preg_replace ("#$weird_replacement#isU", "<", $str);

echo $str;

此代码假设您没有任何html编码错误，例如交叉标记（＆lt; div＆gt;＆lt; a＆gt;＆lt; / div＆gt;＆lt; / a＆gt;），但它确实使用了正确的编码风格。
试试看吧！

解析HTML以修剪它

2 个答案:

编辑：