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="Cường">
</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="Cường">
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。
答案 0 :(得分:4)
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。
答案 1 :(得分:1)
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。
答案 2 :(得分:0)
(<\/?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:
答案 3 :(得分:-1)
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="Cường">
</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。
答案 4 :(得分:-2)
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