正则表达式：将文本放在 <p> 外 <p> 内

Question

我有一些损坏的 html 代码，我想用正则表达式修复。

html 可能是这样的：

<p>text1</p>
<p>text2</p>
text3
<p>text4</p>
<p>text5</p>

但也可以有更多的段落和其他 html 元素。

我想变成：

<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>

这可以用正则表达式吗？如果这很重要，我正在使用 php。

Answer 1

不，这对于正则表达式来说通常是个坏主意。正则表达式不进行状态解析。 HTML 有隐式标签，需要保留状态才能解析。

HTML 通常有很多怪癖。编写 HTML 解析器是很困难的，因为您不仅必须跟踪事情应该如何，而且还要考虑在野外看到的破坏行为。

正则表达式对于这项工作来说是错误的工具。

Answer 2

http://htmlpurifier.org/可以帮到你吗？

Answer 3

虽然正则表达式不是此类工作的最佳解决方案，但此代码适用于您提供的示例（它可能不是最佳的！）

<php>

$text = '<p>text1</p>
<p>text2</p>
text3
<p>text4</p>
<p>text5</p>';

$regex = '|(([\r\n ]*<p>[a-zA-Z0-9 \r\n]+</p>[\r\n ]*)+)([\r\n ]*[a-zA-Z0-9 ]+)(([\r\n ]*<p>[a-zA-Z0-9 \r\n]+</p>[\r\n ]*)+)|i';
$replacement = '${1}<p>${3}</p>${4}';
$replacedText =  preg_replace($regex, $replacement, $text);

echo $replacedText;
</php>

在替换字符串中，看到您使用匹配 1、3 和 4 来获得正确的子匹配！如果您希望能够捕获其他 HTML 标记，那么

，你可以使用这个正则表达式：

$regex = '|(([\r\n ]*<[a-z0-6]+>[a-zA-Z0-9 \r\n]+</[a-z0-6]+>[\r\n ]*)+)([\r\n ]*[a-zA-Z0-9 ]+)(([\r\n ]*<[a-z0-6]+>[a-zA-Z0-9 \r\n]+</[a-z0-6]+>[\r\n ]*)+)|i';

但要注意它可能会搞砸，因为结束标签可以匹配到不同的东西。