使用正则表达式使XHTML文件有效

Question

我正在尝试使用PHP和SimpleXML来解析XHTML文件，但该文件包含＆lt;和＆gt;标记不是标记的一部分并导致解析失败（打开和结束标记不匹配）。

如何在解析之前将这些转换为HTML实体而不更改文件或影响标记？

示例：

<p> a < b </p>

会变成：

<p> a &lt; <b> </p>

Answer 1

简而言之，答案是：你不能用正则表达式解析html。

也许您可以尝试使用另一个不会阻塞<和>的xml解析器？

更好的是，不要尝试将xhtml文件解析为xml，因为正如您已经指出的那样，它实际上不是一个xml文件，并且其中包含非法字符。

Answer 2

正如Martin Jespersen已经说过的，用正则表达式解析（无效或有效）标记是没有好办法的，至少不是用PHP正则表达式。

那就是说， if 你只想找到一种方法来删除

• 不平衡的尖括号
• 介于有效标记之间
• 在其属性值
中的某处不包含尖括号

然后你可能会这样做：

$intermediate = preg_replace('/(>[^<>]*)<([^<>]*<)/', '\1&lt;\2', $subject);
$result = preg_replace('/(>[^<>]*)>([^<>]*<)/', '\1&gt;\2', $intermediate);

但是你必须多次运行，直到没有更多的匹配，因为这样一次只会在标签之间捕获一个迷路<或>。它也会在<p> a <> b </p>等伪平衡括号上失败。