在 HTML 中搜索和替换单词

Question

我想做的是制作一个“行话终结者”。 基本上我在数据库中有一些 html 和一些词汇表术语。 当人们点击 jargon buster 时，它会用一个漂亮的工具提示 (wztooltip) 替换文本中的单词，从而显示它们的含义。

我一直在努力解决这个问题，并认真研究了这个问题 Regex / DOMDocument - match and replace text not in a link

似乎答案就在 simple_html_dom 库中，但我无法让它工作。 显然，任何已经链接的单词都不会被触及。 这是我所拥有的内容的简要说明。

$html = str_get_html($article['content']);

$query_glossary = "SELECT word,glossary_term_id,info FROM glossary_terms WHERE status = 1  ORDER BY LENGTH(word) DESC";
$result_glossary = mysql_query_run($query_glossary);

while($glossary = mysql_fetch_array($result_glossary)) {
    $glossary_link = SITEURL.'/glossary/term/'.string_to_url($glossary['word']).'-'.$glossary['glossary_term_id'];
    if(strlen($glossary['info'])>400) {
        $glossary_info = substr(strip_tags($glossary['info']),0,350).' ...<br /> <a href="'.$glossary_link.'">Read More</a>';
    }
    else {
        $glossary_info = $glossary['info'];
    }
    $glossary_tip = 'href="javascript:;" onmouseout="UnTip();" class="article_jargon_highligher" onmouseover="'.tooltip_javascript('<a href="'.$glossary_link.'">'.$glossary['word'].'</a>',$glossary_info,400,1,0,1).'"';
    $glossary_word = $glossary['word'];
    $glossary_word = preg_quote($glossary_word,'/');

    //once done we can replace the words with a nice tip    
    foreach ($html->find('text') as $element) {
        if (!in_array($element->parent()->tag,array())) {
            //problems are case aren't taken into account and grammer
            $element->innertext = str_ireplace(''.$glossary['word'].' ',' <a '.$glossary_tip.' >'.$glossary['word'].'</a> ', $element->innertext);

           //$element->innertext = str_ireplace(''.$glossary['word'].',',' <a '.$glossary_tip.'>'.$glossary['word'].'</a> ', $element->innertext);
           //$element->innertext = preg_replace ("/\s(".$glossary_word.")\s/ise","nothing(' <a'.'$glossary_tip.'>'.'$1'.'</a> ')" , $element->innertext);
          // $element->innertext = str_replace('__glossary_tip_replace__',$glossary_tip, $element->innertext);
        }
    }
}
$article['content'] = $html->save();

Answer 1

我在 JS 获取单个单词时遇到了这个问题。我所做的是以下（你可以将它从 JS 翻译成 PHP）：

它实际上对我来说非常有效。 :)

var words = document.body.innerHTML;

// FIRST PASS

// remove scripts
words = words.replace(/<script[\s\S]*?>[\s\S]*?<\/script>/gi, '');
// remove CSS
words = words.replace(/<style[\s\S]*?>[\s\S]*?<\/style>/gi, '');
// remove comments
words = words.replace(/<!--[\s\S]*?-->/g, '');
// remove html character entities
words = words.replace(/&.*?;/g, ' ');
// remove all HTML
words = words.replace(/<[\s\S]*?>/g, '');

// SECOND PASS

// remove all newlines
words = words.replace(/\n/g, ' ');
// replace multiple spaces with 1 space
words = words.replace(/\s{2,}/g, ' ');

// split each word
words = words.split(/[^a-z-']+/gi);

Answer 2

假设您的所有词汇表“单词”都由标准“单词”字符组成（即[A-Za-z0-9_]），那么可以在正则表达式模式中的单词之前和之后放置一个简单的单词边界断言。尝试将相关语句替换为：

$element->innertext = preg_replace(
    '/\b'. $glossary_word .'\b/i',
    '<a '. $glossary_tip .' >'. $glossary['word'] .'</a>',
    $element->innertext);

这假设$glossary_word 已经通过preg_quote 运行（您的代码就是这样做的）。

但是，如果词汇表中的单词可能包含其他非标准单词字符（例如 '-' 破折号），则可以制定更复杂的正则表达式，其中包含前瞻和后瞻，以确保仅匹配整个单词。例如：

$re_pattern = "/         # Match a glossary whole word.
    (?<=[\s'\"]|^)       # Word preceded by whitespace, quote or BOS.
    {$glossary_word}     # Word to be matched.
    (?=[\s'\".?!,;:]|$)  # Word followed by ws, quote, punct or EOS.
    /ix";

Answer 3

使用倒置单词字符\W 选择正则表达式模式中除数字和字母以外的任何字符。因为这仍然会在文本 blob 的边界处失败，所以您还需要测试这些条件。因此，使用单词“term”作为您要搜索的文本：

(^term$)|(^term\W)|(\Wterm\W)|(\Wterm$)

第一个条件检查以确保 term 不是 blob 的唯一内容，第二个条件检查它是否是第一个单词，第三个条件是否包含在 blob 中，最后一个条件是否是最后一个单词。

如果您想将任何其他字符视为单词字符（例如连字符），您需要将 \W 替换为 [^\w\-]。

希望这会有所帮助。可能还有一些可以执行的优化，但这至少应该是一个很好的起点。