如何确保我正在处理的标记格式正确，并且开始时有效？

Question

我想通过php中的正则表达式删除html标记之间的空格。我可以知道规则是什么吗？不删除文本中的空格。

例如，我想删除<tr>和<td>标记之间的空格。

自：

<tr>
    <td>Hello there</td>
<tr>

为：

<tr><td>Hello there</td></tr>

感谢。

Answer 1

首先关闭：markup (HTML) and regex don't mix well。尽管如此，你可以删除标签之间的空格，并且很容易使用以下正则表达式：

$clean = preg_replace('/>\s+</', '><', $string);

如果之间没有其他内容，这将删除标签之间找到的空格：

<p>Foobar <b>is</b> not a word <i>as such</i>    <p>

将“翻译”进入：

<p>Foobar <b>is</b> not a word <i>as such</i><p>

这很好，但是，使用DOMDocument类解析，清理然后回显标记会更好（也更安全）。但是在你开始攻击之前，编写成千上万行代码来确保你正在处理有效的标记时，问问自己这个简单的问题：

不要编写适用于不良标记的代码，而是要考虑确保您正在处理的数据具有良好质量的方法。
无论如何，这是一个如何使用DOMDocument类的简单示例：

$dom = new DOMDocument;
$dom->loadHTML($string);
echo $dom->saveHTML();//echoes sanitized markup

这假定$string是一个完整的DOM（包括<html>，doctype和所有其他隐含的标记）。如果您没有这样的字符串，则必须使用saveXML：

echo $dom->getElementsByTagName('body')->item(0)->saveXML();

其中body是标记的根节点。有关示例和详细信息，请参阅the docs

如果您拥有的字符串是您在问题中包含的内容，则需要删除所有空格。在这种情况下，正则表达式只是不必要：

$string = '<tr>
     <td>';
echo str_replace(' ', '', $string);//removes all spaces...

好吧，浏览DOMDocument课程的文件，值得付出努力。诚实：）

Answer 2

这个问题比它看起来更复杂。删除所有标记之间的所有空格很容易，例如

<tr>  <td>   -> <tr><td>

但这种天真的做法会产生错误的结果：

<i>hi</i> <b>there</b>  -> <i>hi</i><b>there</b>

要正确删除空白，您必须分析其父节点的类型，并仅在节点不允许文本内容时删除（http://www.w3.org/TR/html4/sgml/dtd.html可能有用）。< / p>

绝对不是你能用正则表达式实现的东西！

Answer 3

$str = "<td> </td>";
$str2 = "<td></td>";

var_dump(preg_match('/\s/',$str));
var_dump(preg_match('/\s/',$str2));

结果1返回true

结果2返回false