正则表达式删除所有空的 HTML 标记

Question

这是我的 PHP 函数，用于从字符串输入中删除所有空 HTML 标记：

/**
 * Remove the nested HTML empty tags from the string.
 *
 * @param $string String to remove tags
 * @param null $replaceTo Replace empty string with
 * @return mixed Cleaned string
 */
function crl_remove_empty_tags($string, $replaceTo = null)
{
    // Return if string not given or empty
    if (!is_string($string) || trim($string) == '') return $string;

    // Recursive empty HTML tags
    return preg_replace(
        '/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>/gixsm',
        !is_string($replaceTo) ? '' : $replaceTo,
        $string
    );
}

我的正则表达式：/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>/gixsm

我用http://gskinner.com/RegExr/ 和http://regexpal.com/ 对其进行了测试，效果很好。 但是当我尝试运行它时。服务器总是返回错误：

Warning: preg_replace(): Unknown modifier '\'

我不知道究竟是什么'\'出了问题。有人请帮帮我！

Answer 1

在 php 正则表达式中，如果分隔符出现在表达式中，则需要转义它们。

在您的情况下，您有两个未转义的/；只需将它们替换为\/。你也不需要修饰符数组——php默认是全局的，你没有定义文字字符。

之前：

/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>/gixsm

之后：

/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*\/?>\s*<\/\1\s*>/
//                                                                    ^       ^

Answer 2

此模式能够删除“空标签”（即不包含任何内容、空格、html cmets 或其他“空标签”的非自闭合标签），即使这些标签像 <span><span></span></span> 一样嵌套。不考虑html cmets中的标签：

$pattern = <<<'EOD'
~
<
(?:
    !--[^-]*(?:-(?!->)[^-]*)*-->[^<]*(*SKIP)(*F) # skip comments
  |
    ( # group 1
        (\w++)     # tag name in group 2
        [^"'>]* #'"# all that is not a quote or a closing angle bracket
        (?: # quoted attributes
            "[^\\"]*(?:\\.[^\\"]*)*+" [^"'>]* #'"# double quote
          |
            '[^\\']*(?:\\.[^\\']*)*+' [^"'>]* #'"# single quote
        )*+
        >
        \s*
        (?:
            <!--[^-]*(?:-(?!->)[^-]*)*+--> \s* # html comments
          |
            <(?1) \s*                          # recursion with the group 1
        )*+
        </\2> # closing tag
    ) # end of the group 1
)
~sxi
EOD;

$html = preg_replace($pattern, '', $html);

限制：

• 此方法将删除指向外部 Javascript 文件的链接：
  <script src="myscript.js"></script>
• 如果发现类似：
  var myvar="<span></span>";
  或类似：
  var myvar1="<span><!--"; function doSomething() { alert("!!!"); } var myvar2="--></span>";
  的内容，该模式可能会删除部分嵌入的 Javascript 代码。

这些限制是由于基本的文本方法无法区分 html 和 javascript 代码。但是，如果在模式跳过列表中添加“脚本”标签（与 html cmets 相同），则可以解决此问题，但在这种情况下，您需要基本描述 Javascript 内容（字符串、cmets、文字模式，所有这不是前三个）这不是一项微不足道的任务，而是可能的。

Answer 3

删除空元素...以及下一个空元素。

体育

<p>Hello!
   <div class="foo"><p id="nobody">
   </p>
      </div>
 </p>

结果：

<p>Hello!</p>

php代码：

/* $html store the html content */
do {
    $tmp = $html;
    $html = preg_replace( '#<([^ >]+)[^>]*>([[:space:]]|&nbsp;)*</\1>#', '', $html );
} while ( $html !== $tmp );

Answer 4

不太确定这是否是您需要的，但我今天找到了。你需要 PHP 5.4+！

$oDOMHTML = DOMDocument::loadHTML( 
    $sYourHTMLString, 
    LIBXML_HTML_NOIMPLIED | 
    LIBXML_HTML_NODEFDTD | 
    LIBXML_NOBLANKS | 
    LIBXML_NOEMPTYTAG 
);
$sYourHTMLStringWithoutEmptyTags = $oDOMHTML->saveXML();

也许这对你有用。

Answer 5

您也可以使用递归来解决这个问题。继续将 HTML blob 传递回函数，直到不再存在空标记。

public static function removeHTMLTagsWithNoContent($htmlBlob) {
    $pattern = "/<[^\/>][^>]*><\/[^>]+>/";

    if (preg_match($pattern, $htmlBlob) == 1) {
        $htmlBlob = preg_replace($pattern, '', $htmlBlob);
        return self::removeHTMLTagsWithNoContent($htmlBlob);
    } else {
        return $htmlBlob;
    }
}

这将检查是否存在空 HTML 标记并替换它们，直到正则表达式模式不再匹配为止。

Answer 6

这是删除所有空标签的另一种方法。 （如果它们因为空子而被认为是空的，它也会删除周围的标签：

/**
 * Remove empty tags.
 * This one will also remove <p><a href="/foo/bar.baz"><span></span></a></p> (empty paragraph with empty link)
 * But it will not alter <p><a href="/foo/bar.baz"><span>[CONTENT HERE]</span></a></p> (since the span has content)
 *
 * Be aware: <img ../> will be treated as an empty tag!
 */
do
{
    $len1 = mb_strlen($string);
    $string = preg_replace('/<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|"[^"]*"|[\w\-.:]+))?)*\s*\/?>\s*<\/\1\s*>/', '', $string);
    $len2 = mb_strlen($string);

} while ($len1 > 0 && $len2 > 0 && $len1 != $len2);

我一直在使用它来清理来自外部 CMS 的 html，并取得了积极的结果。