Question

我有一些破解的html代码，我想用正则表达式修复。

html可能是这样的：

<p>text1</p>
<p>text2</p>
text3
<p>text4</p>
<p>text5</p>

但是也可以有更多段落和其他html元素。

我想转入：

<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>

正则表达式可以实现吗？如果重要的话，我正在使用php。

Answer 1

不，这对正则表达式来说通常是一个坏主意。正则表达式不进行有状态解析。 HTML具有隐式标记，需要保持状态解析。

HTML通常有很多怪癖。编写HTML解析器很困难，因为您不仅要记录事情应该如何，还要考虑到在野外看到的破坏行为。

正则表达式是此作业的错误工具。

Answer 2

可以http://htmlpurifier.org/帮助你吗？

Answer 3

虽然正则表达式不是这类工作的最佳解决方案，但此代码适用于您提供的示例（可能不是最佳的！）

<php>

$text = '<p>text1</p>
<p>text2</p>
text3
<p>text4</p>
<p>text5</p>';

$regex = '|(([\r\n ]*<p>[a-zA-Z0-9 \r\n]+</p>[\r\n ]*)+)([\r\n ]*[a-zA-Z0-9 ]+)(([\r\n ]*<p>[a-zA-Z0-9 \r\n]+</p>[\r\n ]*)+)|i';
$replacement = '${1}<p>${3}</p>${4}';
$replacedText =  preg_replace($regex, $replacement, $text);

echo $replacedText;
</php>

在替换字符串中，看到您使用匹配1,3和4来获得正确的子匹配！如果您希望能够捕获其他HTML标记，那么

，您可以使用此正则表达式：

$regex = '|(([\r\n ]*<[a-z0-6]+>[a-zA-Z0-9 \r\n]+</[a-z0-6]+>[\r\n ]*)+)([\r\n ]*[a-zA-Z0-9 ]+)(([\r\n ]*<[a-z0-6]+>[a-zA-Z0-9 \r\n]+</[a-z0-6]+>[\r\n ]*)+)|i';

但请注意，它可能会弄乱，因为结束标记可以匹配不同的东西。

正则表达式：将文本放在<p>内</p> <p> </p>

3 个答案: