Question

我有一个HTML代码：

<table id="table1" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
  <tr>
    <td>
    <img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="C&#432;&#7901;ng">
    </td>
  </tr>
  <tr>
    <td class="Image">Everything
   </td>
  </tr>
</table>
 <table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
      <tr>
        <td>
        Someone
        </td>
      </tr>
      <tr>
        <td class="Image">Everything
       </td>
      </tr>
    </table>

我有2个表，我想删除所有标签：table，tr，td如果表有img标签（表1）。我需要获得如下结果：

     <img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="C&#432;&#7901;ng">
        Everything


     <table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
          <tr>
            <td>
            Someone
            </td>
          </tr>
          <tr>
            <td class="text">Everything
           </td>
          </tr>
        </table>

请帮帮我。谢谢。

Answer 1

HTML Purifier可用于从文档中删除所有标记或某组标记。它是PHP中基本上任何HTML标签剥离的首选解决方案 - 不会使用正则表达式，否则太阳会烧坏，我们将全部冻死令人窒息的黑暗。

尝试类似：

$config->set('HTML.Allowed', 'img');
$purifier = new HTMLPurifier($config);
$output = $filter->purify($YOUR_HTML);

您需要为每个不想被擦掉的标签添加$config->set('HTML.Allowed', 'TAGNAME');行，但这是值得为当天持续的生活温暖付出的代价-星。我猜也不会让您的网站受到XSS攻击和内容食物故障的影响。

Answer 2

退房： http://simplehtmldom.sourceforge.net/

让我们在HTML页面上找到带有选择器的标签，就像jQuery一样，并在一行中从HTML中提取内容。

Answer 3

我需要这样的东西。这是我的解决方案： (<\/?tr.*?>)|(<\/?td.*?>)|(<\/?table.*?>)

这个正则表达式将选择所有不贪婪的tr td和table标签。

你可以在这里看到它：

http://regexr.com/3fslh

Answer 4

理论上，可以通过一个高度复杂的正则表达式来实现这一点。在单独的步骤上执行搜索和替换总是更容易：首先搜索外部容器，然后处理它包含的内容。

<?php 

header("Content-type: text/plain");

$html = '<table id="table1" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
  <tr>
    <td>
    <img src="http://vnexpress.net/Files/Subject/3b/bd/ac/f9/cuongbibat.jpg" width="330" height="441" border="1" alt="C&#432;&#7901;ng">
    </td>
  </tr>
  <tr>
    <td class="Image">Everything
   </td>
  </tr>
</table>
 <table id="table2" border="0" cellspacing="0" cellpadding="3" width="1" align="center">
      <tr>
        <td>
        Someone
        </td>
      </tr>
      <tr>
        <td class="Image">Everything
       </td>
      </tr>
    </table> ';


$html = preg_replace_callback('/<table\b[^>]*>.*?<\/table>/si', 'removeTableIfImg', $html);

function removeTableIfImg($matches) {
    $table = $matches[0];
    return preg_match('/<img\b[^>]*>/i', $table, $img) 
         ? preg_replace('/<\/?(?:table|td|tr)\b[^>]*>\s*/i', '', $table)
         : $table;
}
echo $html;

?>

第一个模式找到表格。第二种模式（在回调中）检查是否有图像标记。第三个删除table，td和tr标签。

Answer 5

正如所说的那样，不要使用正则表达式，它会让你发疯。通常搜索libs所花费的时间与为此编写自己的小解析器相同。我用不同的语言做了好几次。你学到了很多，而且你经常可以重复使用代码： - ）

因为你对属性不感兴趣，所以这应该很容易。通过char循环入口网站char。看看这个java代码，它是我早期的一个较小的方法来清理html：

public static String sanatize(String body, String[] whiteList, String tagSeperator, String seperate) {
    StringBuilder out = new StringBuilder();
    StringBuilder tag = new StringBuilder();

    boolean quoteOpen = false;
    boolean tagOpen = false;
    for(int i=0;i<body.length();i++) {
        char c = body.charAt(i);
        if(i<body.length()-1 && c == '<'  && !quoteOpen && body.charAt(i+1) != '!') {
            tagOpen = true;
            tag.append(c);
        } else if(c == '>'  && !quoteOpen && tagOpen) {
            tag.append(c);

            for (String tagName : whiteList) {
                String stag = tag.toString().toLowerCase();
                if (stag.startsWith("</"+tagName+" ") || stag.startsWith("</"+tagName+">") || stag.startsWith("<"+tagName+" ") || stag.startsWith("<"+tagName+">")) {
                    out.append(tag);
                } else if (stag.startsWith("</") && tagSeperator != null) {
                    if (seperate.length()>2) {
                        if (seperate.contains("," + stag.replaceAll("[</]+(\\w+)[\\s>].*", "$1") + ",")) {
                            out.append(tagSeperator);
                        }
                    } else {
                        if (!out.toString().endsWith(tagSeperator)) {
                            out.append(tagSeperator);
                        }
                    }
                }
            }

            tag = new StringBuilder(); 
            tagOpen = false;
        } else if (c == '"' && !quoteOpen) {
            quoteOpen = true;
            if (tagOpen)
                tag.append(c);
            else 
                out.append(c);
        } else if (i>1 && c == '"' && quoteOpen && body.charAt(i-1) != '\\' ) {
            quoteOpen = false;
            if (tagOpen)
                tag.append(c);
            else 
                out.append(c);
        } else {
            if (tagOpen)
                tag.append(c);
            else 
                out.append(c);
        }
    }

    return out.toString();
}

你可以忽略分隔符并分开，我用它来清理标签并转换为csv

如何用PHP删除html中的table，tr，td标签

5 个答案: