有效地删除可能不包含特定单词的子字符串 -答案

【问题标题】：efficiently remove substring that may not contain a specific word -有效地删除可能不包含特定单词的子字符串 -
【发布时间】：2012-09-13 15:16:22
【问题描述】：

我尝试使用 php 将一些可怕的无效 html 代码映射到我以后需要的 xml 结构。这工作得很好，但总有一些我无法处理的部分。所以决定是，只删除该代码，以使 xml 保持有效。这就是它的样子。

<body>
    <item>abc</item>
    <item>def</item>
    unparsable rest
</body>

所以目标是找到一个解决方案（可能是正则表达式，但我愿意接受任何解决方案）来删除“无法解析的其余部分”。

我尝试在这个正则表达式中使用 preg_replace

/<\/item>(((?!item).)*)\s*<\/body>/iU

它工作得很好，与我想要在 $1 中的部分完全匹配，最后一个和之间的所有东西，但是由于 xmls 非常大，计算只是在几毫秒后崩溃。我知道正则表达式在做负前瞻方面不太好，但我认为它没有那么糟糕。

因此需要一个更有效的解决方案。不幸的是，我不能使用 strrpos，因为在

之后还有更多标签

【问题讨论】：

过度简化，您可以检查</tag>.*?< 基本上在元素的结束标记和下一个（有效的）开始标记之间的任何格式错误。虽然这种询问应该通过解析器完成，而不是用模式强制它。（不是说你嫁给了模式，但解析器会是更好的选择）。
但是解析器可能无法解析无效的东西，这正是我的问题:)
和</item>.*?< 将匹配第一个结束项目，而不是最后一个，因为它不知道，我想要的文本中不应该有另一个项目
我不是说开箱即用的东西，我是说你最好写一个解析器。您提到这是之前转换的结果。之前的转换听起来需要处理，而不是失败的创可贴。
好吧，如果你告诉我一个 HTML-Parser 可以处理像 <p><b>text</p></b> 这样的事情（这是一个不错的错误），我会接受它:) 但是 loadHtml() 没有机会全部。我实际上正在编写很多不会出错的解析规则，但在某些时候，一页只需要 20 个小时。所以决定只是删除其余部分。

标签： php regex regex-negation performance regex-lookarounds

【解决方案1】：

您的正则表达式模式中有一个tempered greedy token。它本质上很慢，请参阅我链接到的答案中的“性能问题”部分。

所以，我更喜欢在没有U 和s 修饰符为~</item>(((?!item).)*?)\s*?</body>~is、matches your input string within 231 steps 的情况下编写您当前的正则表达式。

注意这里\s* 和\s*? 没有太大的语义差异，因为</body> 之前没有其他量化模式。 \s*，贪婪模式，在这种情况下是首选。

让我们使用unroll 模式并将((?!item).)*? 替换为[^i]*(?:i(?!tem)[^i]*)*。 ~</item>([^i]*(?:i(?!tem)[^i]*)*)\s*</body>~ismatches your input within 117 steps。

这对于字符串来说还是相当多的。 </item> 之后的空格可以与\s*+ 匹配可能，以减少对该部分字符串的回溯访问。 ~</item>\s*+([^i]*(?:i(?!tem)[^i]*)*)\s*</body>~is 显示了改进，现在 it takes 89 steps 可以匹配字符串，并且只有 unparsable rest 位于第 1 组值中。

不幸的是，我们不能在这里玩太多回溯，因为您想从第 1 组值中删除尾随空格。

如果您想匹配</item> 和</body> 之间不包含<item> 的所有内容，则该模式将类似于~</item>\s*+([^<]*(?:<(?!item>)[^<]*)*)\s*</body>~is，请参阅regex demo。

【讨论】：

【解决方案2】：

检查每一行以''结束：

$t ='<body>
    <item>abc</item>
    <item>def</item>
    unparsable rest
</body>';

// break the string into lines
$filtered = array_filter(explode("\n", $t), function($line) {
    // each line
    $line = trim($line); //ignore white spaces
    return $line[0] == '<' && substr($line, -1) == '>';
});
// rebuild the string
$result = implode("\n", $filtered);
echo $result;

演示：https://3v4l.org/Mt5eG

【讨论】：