如何在不删除标签的情况下替换 HTML 标签内的空格

Question

假设我有这个字符串：

$string = '<p > ¡Esto es una prueba! < /p > <p> <strong > Prueba 123 </strong> </p> <p> <strong> < a href="https://matricom.net"> MATRICOM < / a> </ strong> </p> <p> <strong > Todas las pruebas aquí ... </strong > < /p>'

我想做的是使用 PHP 修复 HTML 标签（由于空格，它们格式错误）。我尝试了几种不同的正则表达式，我在网上找到了这样的表达式：

$html = trim(preg_replace('/<\s+>/', '<>', $text));

和：

$html = preg_replace('/<(.+?)(?:»| |″)(.+?)>/', '<\1\2>', $text);

我正在尝试获取这样的字符串输出（在 HTML 标记的前面部分和结尾部分删除了空格）：

'<p> ¡Esto es una prueba! </p> <p> <strong> Prueba 123 </strong> </p> <p> <strong> <a href="https://matricom.net"> MATRICOM </a> </strong> </p> <p> <strong> Todas las pruebas aquí ... </strong> </p>'

背景故事：Google 翻译倾向于在翻译结果中添加影响 HTML 结构的随机空格。只是寻找一种快速清理标签的方法。我已经搜索了两天如何做到这一点，似乎找不到任何适合我正在寻找的东西。

Answer 1

你可以使用

preg_replace('~<\K\s*(?:(/)\s+)?|\s+(?=>)~u', '$1', $string)

查看regex demo 和PHP demo：

$string = '<p > ¡Esto es una prueba! < /p > <p> <strong > Prueba 123 </strong> </p> <p> <strong> < a href="https://matricom.net"> MATRICOM < / a> </ strong> </p> <p> <strong > Todas las pruebas aquí ... </strong > < /p>';

echo preg_replace('~<\K\s*(?:(/)\s+)?|\s+(?=>)~u', '$1', $string);
// => <p> ¡Esto es una prueba! </p> <p> <strong> Prueba 123 </strong> </p> <p> <strong> <a href="https://matricom.net"> MATRICOM </a> </strong> </p> <p> <strong> Todas las pruebas aquí ... </strong> </p>

正则表达式详细信息：

• <\K\s*(?:(/)\s+)? - < 被匹配，然后从与 \K 的匹配中删除，然后匹配零个或多个空格，然后是可选的 / 序列（捕获到组 1）和一个或多个空格匹配
• | - 或
• \s+(?=>) - 一个或多个空格，紧跟在 > 之后

替换为 Group 1 值（当可选组匹配时，它是空字符串或/）。

Answer 2

这就是我想出的。适用于您的字符串

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

<     Matches a < char
 *    Matches zero or more spaces. There is a ' ' (space) before *
(\/*) Matches zero or more / () indicates capturing group 1
 *    Matches zero or more. Do notice the ' ' before *
(     Start of capturing group 2
.+    Matches any character except a line break
?     Lazy Matching
)     End of capturing group 2
 *   Matches zero or more spaces. Again a ' ' before *
>     Matches a > char

然后像

$cleaned = preg_replace('/< *(\/*) *(.+?) *>/', '<\1\2>', $html);
echo $cleaned;

# input string
# '< p > ¡Esto es una prueba! < /p > <p> <strong > Prueba 123 </strong> </p> <p> <strong> < a href="https://matricom.net"> MATRICOM < / a> </ strong> </p> <p> <strong > Todas las pruebas aquí </strong > < /p>';

# Cleaned string
# <p> ¡Esto es una prueba! </p> <p> <strong> Prueba 123 </strong> </p> <p> <strong> <a href="https://matricom.net"> MATRICOM </a> </strong> </p> <p> <strong> Todas las pruebas aquí </strong> </p>

这将从这些格式中删除空格

< div > </ div > < / div > < div class="myclass" >

但它不会删除属性中的空格。所以这 < div class = " myclass " > 将转换为 <div class = " myclass ">。但是属性中的空格是允许的（尽管不推荐）

如果我遗漏了一个案例，请告诉我，我会尝试合并。

Answer 3

我不推荐这种方法。虽然正则表达式很棒，但您可能会错过一些情况，因为谷歌翻译似乎在随机位置添加了随机空格。你不可能在所有情况下都是可靠的。

我建议发送纯文本或使用 V2 翻译 API 的 format=html 参数让 Google 翻译正确解释 HTML 标记。

https://cloud.google.com/translate/docs/reference/rest/v2/translate#query-parameters

如果你不能使用上面官方的方法，在发送到谷歌翻译之前，根据标签分割文本，这样你可以有一个更清晰的输入。