Question

我正在尝试找到一个正则表达式来删除所有html特殊字符（主要是＆amp;，＆lt;，＆gt;）但保持html标记不变。

我从数据库中获取这些信息，因此我无法确保像<＆lt;这样的字符。和＆gt;被替换为＆amp; gt;和＆amp; lt;

我可以设法替换＆amp;和＆lt;它在PHP中使用以下RegEx：

$Value = preg_replace('/<(?!#?\/?[a-zA-Z0-9]+>)/','',$Value);
$Value = preg_replace('/&(?!#?[a-zA-Z0-9]+;)/','&amp;',$Value);

我现在只有麻烦修复＆gt;标签，因为我必须使用lookup-behind，它不允许非固定长度的RegEx。

$Value = preg_replace('/(?<!<[a-zA-Z0-9]+)>/','',$Value);

有什么想法吗？

问候 -Thomas

Answer 1

使用DOM Parser并仅将替换应用于文本节点。

$partialId = uniqid();
$dom = new DOMDocument;
$dom->loadHTML(sprintf('<div id="%s">%s</div>', $partialId, $html));
echo $dom->saveHtml($dom->getElementById($partialId));

解析部分内容已经将XML特殊字符转换为各自的实体：

<div id="4f02efa1a4e9b">this is my fancy <i>text</i> I love my text lalalal &gt; wow I'm great"</div>

如果您不使用PHP 5.3.6，则不能将saveHTML与节点一起使用。有关解决方法，请参阅How to get innerHTML of DOMNode?和How to return outer html of DOMDocument?。

如果您需要处理文本节点，可以执行

$xpath = new DOMXPath($dom);
foreach ($xpath->query('//text()') as $textNode) {
    $textNode->nodeValue = doSomething($textNode->nodeValue);
}

另请参阅DOMDocument in php，了解DOM的工作原理。

Answer 2

我认为http://htmlpurifier.org/可以做你需要的事。

点击这里的演示：http://htmlpurifier.org/demo.php来测试它的选项。

RegEx：保留HTML标记，仅删除htmlspecialchars

2 个答案: