Question

我试图找到一种方法来可靠地找到并替换不属于标签的HTML / XML格式字符串中的<和>符号。

基本上我从HTML字符串开始并将其转换为PDFLib可用的东西，PDFLib使用XML形式来描述要写成PDF的文档。但是，如果内容中存在<，则会将其视为标记的开头并抛出一个解析异常。

示例输入：

<p>This is a test where 6 < 9</p>
<p>This is part of <strong>The same test</strong></p>
<p>This should also work 6<99999</p>

<周围的文字并非总是数字，而是用户输入的内容，可以是Grade<C，Blue<Red<Green，Test < Test2 ....真的是什么

必需输出

This is a test where 6 <charref fontname=Helvetica encoding=unicode>&lt;<resetfont> 9\n
This is part of <fontname=Helvetica fontstyle=bold encoding=unicode>The same test<resetfont>\n
This should also work 6<charref fontname=Helvetica encoding=unicode>&lt;<resetfont>99999\n

我已经尝试了str_replace和preg_replace，但无法找到可靠地保留标记并在上下文中仅替换<的解决方案。

解析DOM似乎也失败了，因为DOMDocument也将<视为开头标记

在字符串上使用htmlspecialchars会将所有标记<>转换为<>，这也不错。

有没有人有任何想法？

Answer 1

尝试通过char读取字符串，如果它遇到＆lt;如果＆gt;将其推入缓冲区如果它遇到一个＆lt;再次标记前一个＆lt;然后将其放入缓冲区...并重复直到字符串结尾

Answer 2

尝试使用此问题的答案：

how to repair malformed xml

我尝试按原样添加它，但StackOverflow要求我在答案中添加一些描述，否则它会自动转换为注释，这不能作为答案接受。

Answer 3

虽然不再维护，但我认为the php port of html5lib可能是解析不良标记的最佳选择。

这样一个简单的电话：

require_once 'your-path-path-to-html5lib/Parser.php';
$dom = HTML5_Parser::parse($input);

将在$input中使用错误的标记并返回有效的php DOMDocument。

从那里你可以将它保存回$dom->saveHTML()或$dom->saveXML的字符串，或者用DOM API提取你想要的位。

请注意，即使原始数据不包含此文档，也会生成包含head和body等的完整HTML文档。

如果您只想解析HTML片段，可以执行以下操作：

$dom = HTML5_Parser::parseFragment($input);

将返回DOMNodeList。

Answer 4

HTML实体是执行此类操作的最佳方式<>是用于替换HTML中的<>的实体。甚至使用<code>标签。您可以使用这些实体，并将其替换为HTML标记中的<>。 www.w3schools.com/html/html_entities.asp

找到＆lt; HTML中不属于标记的符号

示例输入：

必需输出

4 个答案: