谜题：正确拆分 HTML 字符串答案

【问题标题】：Puzzle: Splitting An HTML String Correctly谜题：正确拆分 HTML 字符串
【发布时间】：2011-03-23 18:21:24
【问题描述】：

我正在尝试通过标记拆分 HTML 字符串，以便在不显示完整帖子的情况下创建博客预览。这比我最初想象的要困难。以下是问题：

用户将创建 HTML 通过所见即所得的编辑器（CKEditor）。不保证标记是漂亮或一致。
令牌read_more()可以放置在字符串的任何位置，包括嵌套在一个段落标签。
生成的第一个拆分字符串需要对所有人都是有效的 HTML 令牌的合理使用。

可能的用途示例：

<p>Some text here. read_more()</p>

<p>Some text read more() here.</p>

<p>read_more()</p>

<p>  read_more()</p>

read_more()

到目前为止，我已经尝试在令牌上拆分字符串，但它留下了无效的 HTML。正则表达式也许是另一种选择。您将使用什么策略来解决这个问题并使其尽可能防弹？任何代码 sn-ps 或提示也将不胜感激（我正在使用 PHP）。

【问题讨论】：

正则表达式不是选项。请参阅另一个 SO 问题的答案：stackoverflow.com/questions/1732348/…
为什么你不能只在结果字符串上使用 trim()，找到丢失的打开或关闭元素并适当地附加，使其成为有效的 HTML？
@You 如果 regex 不是一个选项，请随意提出另一个适用于潜在无效 (X)HTML 的选项。据我所知，PHP 没有一个不会在无效 XML 上引发错误的 XML 解析器，也没有 GPL 许可。
@James Black - 这可能是一种选择，但找到丢失的结束标签的最佳方法是什么？
DOMDocument::loadHTML() 呢？

标签： php regex string html-parsing

【解决方案1】：

PHP tidy 是一个非常轻量且高效的修复无效标签的实用程序。看看，我已经在我的应用程序中使用过它并对其进行了基准测试，效果很好。此外，它有许多配置选项可以最好地满足您的需求，并处理其他可能的问题，如编码、嵌套无效标签等。

查看参考： http://www.php.net/manual/en/tidy.cleanrepair.php

示例用法：

<?php

    function tidyString($str)
    {
      $config = array('show-body-only' => true); /* else it adds HTML tags too */
      tidy_set_encoding('utf8');
      $outStr = tidy_repair_string($str,$config);
      return $outStr;
    }


    $inStr = "<span> this is my incorrect html</spa";
    echo tidyString($inStr);  // Output : <span>this is my incorrect html</span>

    ?>

【讨论】：

【解决方案2】：

为了回答对我的评论的评论，我决定将其作为答案，这样我就可以利用标记选项。

为什么你不能只对结果字符串使用 trim()，找到丢失的打开或关闭元素并适当地附加它，使其成为有效的 HTML？

只需前后遍历即可找到下一个打开/关闭元素，然后修复您的 HTML。

因此，您可以在字符串中前后移动以获取下一个 < 和 >，如果这是一个 HTML 元素，则停在那里，否则继续。

理想情况下，您应该每次提交都需要处理一次，因此您需要继续付出代价来执行此操作。

更新：

我忘了包含一个链接来帮助strpos：

http://tuxradar.com/practicalphp/4/7/5

【讨论】：

【解决方案3】：

与其使用完整的 HTML，不如使用可以生成 HTML 但不需要关闭标签等的众多标记语言中的一种。这样会更容易培训您的用户，并且会避免所有接受原始 HTML 允许 XSS 攻击的可能性。

PHP Markdown 似乎很合适，尤其是考虑到您希望避免使用 GNU GPL。

【讨论】：

它用于 CMS 的管理部分，所以我希望学习曲线尽可能少。我选择 CKEditor 是因为它比 Markdown 编辑器功能更丰富，并且它允许非技术用户更接近 Word。我正在过滤输入。不过，感谢您的建议。
所以...鉴于 WordPress、Drupal、Joomla 和许多其他开源 CMSystems 的可用性，您为什么还要编写另一个？只是好奇。

【解决方案4】：

我目前看到的唯一正确的选择是在 PHP 中编写自己的上下文无关语法 HTML 解析器，这将允许您适当地关闭标签（只需在到达 read more() 时弹出堆栈并为每个弹出添加关闭标签）。

然而，这需要做很多工作，这可能对您很有效：

$stripped = strip_tags($input);
list($preview) = explode("read more()", $stripped);

您丢失了 HTML 标记，但它很容易实现。而且您的首页上没有可能的 XSS :)

【讨论】：

丢失 HTML 标记是一个不可选项，但感谢您的建议。
关于编写解析器的第一段 +1 - 这就是我为自己的博客所做的。它基本上从头开始遍历文本并保留一堆当前打开的 HTML 标记，然后一旦确定在哪里中断文本，它就会附加任何必要的结束标记。我的有点复杂，因为我没有明确的标记来标记拆分 - 它是在 Python 中 - 但如果你愿意，我愿意分享代码。

【解决方案5】：

为什么不使用两个文本区域？切口上方和下方一个？应该让用户清楚地知道发生了什么，并为您消除头痛。

如果您确实想使用令牌，您应该选择一些更有特色的东西。也许：，您可以更确定的是，实际上内容并没有被误认为是令牌。

无论如何，如果你想拆分令牌上的字符串，你只需要使用strpos() 找出你的令牌在的位置，然后使用substr() 将第一部分切掉。比如：

$intro = substr($text, 0, strpos($string, $token));

然后，将您的$intro 运行到tidy（PHP 扩展）到clean up the syntax，然后去掉它在那里添加的额外废话。（我认为您可以str_replace() 使用空字符串的附加功能。）

【讨论】：

Tidy，不幸的是，它似乎不是一个有效的选项，因为它可能没有在所有 PHP 主机上安装或启用。（此项目将分发）。但是，我不确定 Tidy 的可用性范围，所以如果我错了，请随时纠正我。两个文本区域肯定可以解决问题，但如果可能的话，我会尽量保持用户界面简洁，所以我想先探索其他选项。

【解决方案6】：

function stripmore($in)
{
    list($p1,$p2) = explode("read_more()",$in,2);

    $pass1 = preg_replace("~>[^<>]+<~","><",$p2);
    $pass2 = preg_replace("~^[^<>]+~","",$pass1);

    $pass3 = null;
    while ( $pass3 != $pass2 )
    {
        if ( $pass3 !== null ) $pass2 = $pass3;
        $pass3 = preg_replace("~<([^<>]+)></\\1>~","",$pass2);
    }

    return $p1."read_more()".$pass3;
}

这会去除 read_more() 标记之后的所有非 html，并通过去除相应的标记将其减少到最小，同时保留标记之前和之后的任何标记：

<p>Some text here. read_more()</p>
      ==> <p>Some text here. read_more()</p>

<p>Some <b>text</b> read_more() <b>here</b>.</p>
      ==> <p>Some <b>text</b> read_more()</p>

<p>Some <b>text read_more() here</b>.</p>
      ==> <p>Some <b>text read_more()</b></p>

【讨论】：

谢谢，mvds，这很好用。如果我使用你的函数可以吗？如果可以，你希望如何在代码中获得信用？
在你认为合适的时候使用它，至于学分，最好不要。顺便说一句，您还需要删除 ~[^<>]+$~ （最后一个标签之后的所有内容），也许还需要像 ~<img[^<>]*>~ 这样的标签。
谢谢，非常感谢您的帮助。