正则表达式将一个大 html 表拆分为几个 5 行的表

Question

我正在尝试使用 regExps 进行整理，所以在途中遇到了一个问题： 问题是我有一些带有纯文本的随机 HTML 文件，只有一个表格。文字可以在表格前后，表格不包括<thead><tbody><tfoot> rowspan等。所以我需要把这个表分成几个表，每个表有 5 行，最后一个不超过 5 行，在每个表中重复原始表的第一个字符串。比如：

<table>
  <tr>
   <td>A</td><td>B</td>
  </tr>
  <tr>
   <td>A1</td><td>B1</td>
  </tr>
  <tr>
   <td>C</td><td>D</td>
  </tr>
  <tr>
   <td>E</td><td>F</td>
  </tr>
  <tr>
   <td>E1</td><td>F1</td>
  </tr>
  <tr>
   <td>E2</td><td>F2</td>
  </tr>
  <tr>
   <td>E3</td><td>F3</td>
  </tr>
  <tr>
   <td>E4</td><td>F4</td>
  </tr>
</table>

应该变成：

<table>
  <tr>
   <td>A</td><td>B</td><--!!!(not needed to be in code)-->
  </tr>
  <tr>
   <td>A1</td><td>B1</td>
  </tr>
  <tr>
   <td>C</td><td>D</td>
  </tr>
  <tr>
   <td>E</td><td>F</td>
  </tr>
  <tr>
   <td>E1</td><td>F1</td>
  </tr>
</table>
<table>
  <tr>
   <td>A</td><td>B</td><--!!!(not needed to be in code)-->
  </tr>
  <tr>
   <td>E2</td><td>F2</td>
  </tr>
  <tr>
   <td>E3</td><td>F3</td>
  </tr>
  <tr>
   <td>E4</td><td>F4</td>
  </tr>
</table>

我需要在 PHP 中使用 PCRE 来完成这些工作，包括大量模板和更改。所以我有实现的问题。现在我可以找到像这样<table>\s*?(<tr>(?:\s|.)*?<\/tr>) 的第一行和4 个逐行的(<tr>(?:\s|.)*?<\/tr>\s*){1,4} 但我不知道应该如何找到第二个模板的所有出现，以便我以后可以使用它们以及如何如果有</table> 表结束标记，则停止搜索。所以请帮忙

编辑

问题已得到解答，因此下一级添加原始表格标签<thead><tbody><tfoot>。在输出表中应该重构原始表的结构，所以我的意思是如果原始表的第一行是<thead>标签的一部分，它应该在<thead>中是所有输出表。

Answer 1

您可以通过执行循环来实现此目的，其中每次迭代都将使用preg_replace 添加下一个“table break”（但请参阅最后的免责声明）。建议的正则表达式将找到以下组：

• <table> 标记的最后一次出现及其后的第一行，或者，如果有 thead 和/或 tbody 标记，直到结束 </thead> 标记，包括开头<tbody> 标记，如果有的话。
• 接下来的 4 行。必须有 4 个。

然后它还会向前看，以确保至少还有一行存在。

利用该信息，可以将单个“表格中断”注入到 HTML 字符串中。

如果表有tfooter 部分（然后也应该在表的每个分区中重复），我们还没有该信息，因为它出现在输入的最后。因此，在循环开始之前，需要进行单独的解析来提取页脚。

这是假设输入在变量$html中的代码：

// Extract the footer part (if there is one) and closing table tag
preg_match("#(\s*(</tbody|<tfooter).*?)?</table>#s", $html, $tableEnd);
$tableEnd = $tableEnd[0];

// Add a table break in each iteration as long as the last partition has more than 4 rows:
while (true) {
    $res = preg_replace("#(<table(?!.*<table).*?/tr>(?:.*?/thead>)?(?:.*?<tbody>)?)((?:.*?/tr>(?=\s*<tr)){4})#s", 
                        "$1$2$tableEnd\n$1", $html);
    if (strlen($res) === strlen($html)) break;
    $html = $res;
}

echo $res;

查看它在eval.in 上运行。

主要正则表达式的解释

以下是主要正则表达式中的一些亮点：

• #：我使用它作为正则表达式分隔符而不是 /，以避免在正则表达式本身内部转义 /。如果您需要使用/ 作为分隔符，则将每个/ 转义为\\/：一个反斜杠用于正则表达式，另一个用于在字符串文字的上下文中转义该反斜杠。

• (?!.*<table)：确保在我们即将匹配的标签之后没有其他<table> 标签。这是一种消极的展望。

• ((?:.*?/tr>(?=\s*<tr)){4})：抓取 4 行，并且正向向前看 ((?= )) 要求每一行紧跟另一行。 (?: ) 模式不会创建捕获组，但外圆括号会创建一个。

替换

如果替换只是再次注入 2 个捕获的组（即$1$2），那么什么都不会改变。额外的$tableEnd\n$1 将关闭表格（带有页脚）并通过重用第一个捕获组开始下一个。这将具有开头的<table> 标记，其中包括第一行和/或表格标题。

免责声明

虽然上述方法在很多情况下都有效，但很有可能破坏它，因为正则表达式不是解析/解释 HTML 的理想方式。你真的应该使用 DOM api，PHP 有一个：DOMDocument。