Regex / DOMDocument - 匹配和替换不在链接中的文本

Question

我需要以不区分大小写的方式查找和替换所有文本匹配项，除非文本位于锚标记内 - 例如：

<p>Match this text and replace it</p>
<p>Don't <a href="/">match this text</a></p>
<p>We still need to match this text and replace it</p>

搜索“匹配此文本”只会替换第一个实例和最后一个实例。

[编辑] 根据 Gordon 的评论，在这种情况下可能更喜欢使用 DOMDocument。我完全不熟悉 DOMDocument 扩展，并且非常感谢此功能的一些基本示例。

Answer 1

这是一个 UTF-8 安全解决方案，它不仅适用于格式正确的文档，还适用于文档片段。

需要 mb_convert_encoding，因为 loadHtml() 似乎存在 UTF-8 编码的错误（请参阅here 和 here）。

mb_substr 正在从输出中修剪正文标签，这样您就可以在没有任何额外标记的情况下取回原始内容。

<?php
$html = '<p>Match this text and replace it</p>
<p>Don\'t <a href="/">match this text</a></p>
<p>We still need to match this text and replace itŐŰ</p>
<p>This is <a href="#">a link <span>with <strong>don\'t match this text</strong> content</span></a></p>';

$dom = new DOMDocument();
// loadXml needs properly formatted documents, so it's better to use loadHtml, but it needs a hack to properly handle UTF-8 encoding
$dom->loadHtml(mb_convert_encoding($html, 'HTML-ENTITIES', "UTF-8"));

$xpath = new DOMXPath($dom);

foreach($xpath->query('//text()[not(ancestor::a)]') as $node)
{
    $replaced = str_ireplace('match this text', 'MATCH', $node->wholeText);
    $newNode  = $dom->createDocumentFragment();
    $newNode->appendXML($replaced);
    $node->parentNode->replaceChild($newNode, $node);
}

// get only the body tag with its contents, then trim the body tag itself to get only the original content
echo mb_substr($dom->saveXML($xpath->query('//body')->item(0)), 6, -7, "UTF-8");

参考：
1. find and replace keywords by hyperlinks in an html fragment, via php dom
2. Regex / DOMDocument - match and replace text not in a link
3. php problem with russian language
4. Why Does DOM Change Encoding?

我阅读了该主题的几十个答案，如果我忘记了某人，我很抱歉（请评论它，在这种情况下我也会添加你的）。

感谢 Gordon，感谢您对 my other answer 的评论。

Answer 2

试试这个：

$dom = new DOMDocument;
$dom->loadHTML($html_content);

function preg_replace_dom($regex, $replacement, DOMNode $dom, array $excludeParents = array()) {
  if (!empty($dom->childNodes)) {
    foreach ($dom->childNodes as $node) {
      if ($node instanceof DOMText && 
          !in_array($node->parentNode->nodeName, $excludeParents)) 
      {
        $node->nodeValue = preg_replace($regex, $replacement, $node->nodeValue);
      } 
      else
      {
        preg_replace_dom($regex, $replacement, $node, $excludeParents);
      }
    }
  }
}

preg_replace_dom('/match this text/i', 'IT WORKS', $dom->documentElement, array('a'));

Answer 3

这是使用 DOM 树的前序遍历的无堆栈非递归方法。

  libxml_use_internal_errors(TRUE);
  $dom=new DOMDocument('1.0','UTF-8');

  $dom->substituteEntities=FALSE;
  $dom->recover=TRUE;
  $dom->strictErrorChecking=FALSE;

  $dom->loadHTMLFile($file);
  $root=$dom->documentElement;
  $node=$root;
  $flag=FALSE;
  for (;;) {
      if (!$flag) {
          if ($node->nodeType==XML_TEXT_NODE &&
              $node->parentNode->tagName!='a') {
              $node->nodeValue=preg_replace(
                  '/match this text/is',
                  $replacement, $node->nodeValue
              );
          }
          if ($node->firstChild) {
              $node=$node->firstChild;
              continue;
          }
     }
     if ($node->isSameNode($root)) break;
     if ($flag=$node->nextSibling)
          $node=$node->nextSibling;
     else
          $node=$node->parentNode;
 }
 echo $dom->saveHTML();

libxml_use_internal_errors(TRUE); 和$dom=new DOMDocument; 之后的 3 行代码应该能够处理任何格式错误的 HTML。

Answer 4

$a='<p>Match this text and replace it</p>
<p>Don\'t <a href="/">match this text</a></p>
<p>We still need to match this text and replace it</p>';

echo preg_replace('~match this text(?![^<]*</a>)~i','replacement',$a);

负前瞻确保仅当下一个标签不是关闭链接时才会发生替换。它适用于您的示例，但如果您碰巧在链接中使用其他标签，它将无法正常工作。

Answer 5

您可以使用PHP Simple HTML DOM Parser。它类似于 DOMDocument，但在我看来它更易于使用。 这是与Netcoder's DomDocument solution并行的替代方案：

function replaceWithSimpleHtmlDom($html_content, $search, $replace, $excludedParents = array()) {
    require_once('simple_html_dom.php');
    $html = str_get_html($html_content);
    foreach ($html->find('text') as $element) {
        if (!in_array($element->parent()->tag, $excludedParents))
            $element->innertext = str_ireplace($search, $replace, $element->innertext);
    }
    return (string)$html;
}

我刚刚根据我的 DomDocument 解决方案分析了这段代码（女巫打印完全相同的输出），并且 DomDocument （不足为奇）更快（~4ms 对 ~77ms）。

Answer 6

<?php
$a = '<p>Match this text and replace it</p>
<p>Don\'t <a href="/">match this text</a></p>
<p>We still need to match this text and replace it</p>
';
$res = preg_replace("#[^<a.*>]match this text#",'replacement',$a);
echo $res;
?>

这种方式有效。希望你真的要区分大小写，所以要匹配小写字母。

Answer 7

使用正则表达式解析 HTML 是一个巨大的挑战，它们很容易变得过于复杂并占用大量内存。我想说最好的方法是这样做：

preg_replace('/match this text/i','replacement text');
preg_replace('/(<a[^>]*>[^(<\/a)]*)replacement text(.*?<\/a)/is',"$1match this text$3");

如果您的 replacement text 是其他情况下可能发生的事情，您可能需要添加一个带有一些唯一标识符的中间步骤。