Question

我需要一个匹配标签内容的正则表达式，它不是另一个标签的一部分。不满意我不能使用PHP DOM Parser，因为标签的内容有时包含非常特殊的字符。

这是传入输入的示例：

<cherry>test</cherry>
<banana>
    <cherry>test</cherry>
    some text
</banana>

这是我当前的正则表达式，但它也会匹配标记内的标记

 (<cherry>)(.*?)(<\/cherry>)

如何排除其他标签中的匹配？

我已经尝试了很多......

Answer 1

为什么不使用DOMDocument类而不是正则表达式。只需加载您的DOM，然后使用getElementsByTagName获取您的代码。通过这种方式，您可以排除任何其他您不想要的标记，只能获取您所做的标记。

示例

<?php $xml = <<< XML <?xml version="1.0" encoding="utf-8"?> <books> <book>Patterns of Enterprise Application Architecture</book> <book>Design Patterns: Elements of Reusable Software Design</book> <book>Clean Code</book> </books> XML; $dom = new DOMDocument; $dom->loadXML($xml); $books = $dom->getElementsByTagName('book'); foreach ($books as $book) { echo $book->nodeValue, PHP_EOL; } ?>

阅读材料

DOMDocument

Answer 2

在假设下，你只需要顶级数学标签的内容而没有任何其他东西，你到目前为止都无法做到这一点，因为数学标签包含无效的xml，因此任何xml-parser都会放弃...（正如问题和评论中所述）

干净的方法可能是，使用一些容错的xml-parser（或容错模式）或者之前整理输入。但是，这些方法都可能“破坏”内容。

如果剩下的xml也无效或者你的数学，那么hacky和可能很脏的方法可能会出现以下其他问题，尤其 标签是嵌套的（这将导致xml-parser在步骤2中失败）：

通过占位符替换任何<math>.*</math>（ungreedy）（最好是一些独特的uniqid可能有帮助，但一个简单的计数器可能就足够了）通过preg_replace_callback或其他东西
使用通用的xml-parser解析文档（根据需要将其包装在某个根标记中）
获取根节点/所有根节点的所有子节点，查看在步骤1中生成的节点。

例如：

<math>some invalid xml</math>
<sometag>
    <math>more invalid xml</math>
    some text
</sometag>

替换为

$replacements = [];
$newcontent = preg_replace_callback(
       '/'.preg_quote('<math>','/').'(.*)'.preg_quote('</math>','/').'/siU',  
       function($hit) use ($replacements) { 
           $id = uniqid();
           $replacements[$id] = $hit[1];
           return '<math id="'.$id.'" />';
       },
       $originalcontent);

将您的内容转换为：

<math id="1stuniqid" />
<sometag>
    <math id="2nduniqid" />
    some text
</sometag>

现在使用您选择的xml解析器并选择所有根级别/基本级别元素并查找/math/@id（我的XPath可能是错误的，根据需要进行调整）。结果应包含所有uniqids，您可以在替换数组中查找

编辑一些preg_quote个问题并使用了更多标准分隔符。

PHP正则表达式，不在另一个标签中的标签

2 个答案: