Question

我想从HTML页面中删除所有带有文字foo或bar的scipt标记。所以我想出了这句话：

$content = preg_replace('#<script((?!foo|bar).)*?</script>#is', '', $content);
echo "Last error: " + preg_last_error();

这适用于较小的页面。但是现在我有一个包含30个大脚本标签的页面，它不起作用。我得到的错误是：PREG_BACKTRACK_LIMIT_ERROR

因此，我认为我需要改进正则表达式以防止出现此错误，因为此语句有效：

$content = preg_replace('#<script.*?</script>#is', '', $content);

但是此语句将删除所有脚本标记，而我想保留其中的一部分。

有一些关于增加pcre.backtrack_limit的解决方案，但是我不想走那条路。恕我直言，应该有一个更好的解决方案。

问题是我不知道如何解决此问题，因为就我所知，正则表达式存在问题。

您能否指导我使正则表达式更好，以免发生此错误？

Answer 1

在此我强烈建议不使用正则表达式，而是改用DOM parsing，这在这种情况下通常更合适：

$doc = new \DOMDocument();
$doc->loadHTML($html, LIBXML_HTML_NODEFDTD);

$xpath = new \DOMXPath($doc);
foreach ($xpath->query('//script[contains(text(), \'foo\') or contains(text(), \'bar\')]') as $script_tag) {
  $script_tag->parentNode->removeChild($script_tag);
}

echo $doc->saveHTML();

如果您有更多的单词，则可以改用数组构建xpath查询：

$blacklist = ['foo', 'bar', 'apple', 'cold'];

$query = '//script[' . join(' or ', array_map(function($banword) { 
  return "contains(text(), '$banword')"; 
}, $blacklist)) . ']';

foreach ($xpath->query($query) as $script_tag) {
  $script_tag->parentNode->removeChild($script_tag);
}

演示：https://3v4l.org/dHGDt

改进此正则表达式以防止preg_replace引发PREG_BACKTRACK_LIMIT_ERROR

1 个答案: