Question

我需要将长字符串拆分为具有以下约束的数组：

输入将是HTML字符串，可能是整页或部分。
每个部分（新字符串）的字符数量有限（例如不超过8000个字符）
每个部分可以包含多个句子（由。[句号]分隔）但从不是部分句子。 除非字符串的最后部分（因为最后一部分可能没有任何句号。
该字符串包含HTML标记。但标签不能分为（<a href='test.html'>到<a href='test。和html'>）。这意味着HTML标签应该完好无损。 但是，开始标记和结束标记可以保留在不同的段/块。
如果任何中间句子大于所需长度，则前导和尾随标记以及空格应位于数组的不同部分。即使这样做，如果句子较长，则将其分成数组的多个元素：（
请注意：无需解析HTML但标签（如或等）＆lt;。*＆gt;

我认为使用preg_split的正则表达式可以做到这一点。请帮助我使用正确的RegEx。除了正则表达式之外的任何解决方案也欢迎。

谢谢

萨迪

Answer 1

如果我错了，请纠正我，但我不认为你可以通过一个简单的正则表达式来做到这一点。在完整的正则表达式实现中，您可以使用以下内容：

$parts = preg_split("/(?<!<[^>]*)\./", $input);

但是php不允许非固定长度的lookbehind，所以这不起作用。显然，唯一的两个是jgsoft和.net regexp。 Useful Page

我处理这个问题的方法是：

function splitStringUp($input, $maxlen) {
    $parts = explode(".", $input);
    $i = 0;
    while ($i < count($parts)) {
        if (preg_match("/<[^>]*$/", $parts[$i])) {
            array_splice($parts, $i, 2, $parts[$i] . "." . $parts[$i+1]);
        } else {
            if ($i < (count($parts) - 1) && strlen($parts[$i] . "." . $parts[$i+1]) < $maxlen) {
                array_splice($parts, $i, 2, $parts[$i] . "." . $parts[$i+1]);
            } else {
                $i++;
            }
        }
    }
    return $parts;
}

当你的单个句子长度超过8000个字符时，你没有提到你想要发生什么，所以这只会让它们完整无缺。

示例输出：

splitStringUp("this is a sentence. this is another sentence. this is an html <a href=\"a.b.c\">tag. and the closing tag</a>. hooray", 8000);
array(1) {
  [0]=> string(114) "this is a sentence. this is another sentence. this is an html <a href="a.b.c">tag. and the closing tag</a>. hooray"
}

splitStringUp("this is a sentence. this is another sentence. this is an html <a href=\"a.b.c\">tag. and the closing tag</a>. hooray", 80);
array(2) {
  [0]=> string(81) "this is a sentence. this is another sentence. this is an html <a href="a.b.c">tag"
  [1]=> string(32) " and the closing tag</a>. hooray"
}

splitStringUp("this is a sentence. this is another sentence. this is an html <a href=\"a.b.c\">tag. and the closing tag</a>. hooray", 40);
array(4) {
  [0]=> string(18) "this is a sentence"
  [1]=> string(25) " this is another sentence"
  [2]=> string(36) " this is an html <a href="a.b.c">tag"
  [3]=> string(32) " and the closing tag</a>. hooray"
}

splitStringUp("this is a sentence. this is another sentence. this is an html <a href=\"a.b.c\">tag. and the closing tag</a>. hooray", 0);
array(5) {
  [0]=> string(18) "this is a sentence"
  [1]=> string(25) " this is another sentence"
  [2]=> string(36) " this is an html <a href="a.b.c">tag"
  [3]=> string(24) " and the closing tag</a>"
  [4]=> string(7) " hooray"
}

Answer 2

不幸的是，html是不规则的语言，意味着你无法用一个正则表达式解析它。另一方面，如果输入始终相似，或者您只需要解析某些部分，那就没有问题了。对此正则表达式的迭代生成元素名称及其内容：

'~<(?P<element>\s+)(?P<attributes>[^>]*)>(?:(?P<content>.*?)</\s+>)?~'

使用约束将字符串拆分为较小的部分[PHP RegEx HTML]

2 个答案: