正则表达式根据其内容删除整个段落？答案

【问题标题】：regexp to remove entire paragraph based on it's content?正则表达式根据其内容删除整个段落？
【发布时间】：2011-02-19 14:05:14
【问题描述】：

大家好，我是一个正则表达式菜鸟，是否可以使用 preg_replace 删除整个段落标签？

<p><div class="vidwrapper"> lot of content with oder divs etc. </div><p>

只有在 div 之后的段落具有 .vidwrapper 类时，才应删除该段落。

这可能吗？知道这个正则表达式的样子吗？感谢您的帮助。

【问题讨论】：

你可以用正则表达式做到这一点，但总会有你无法处理的极端情况（至少，不在“合理”范围内）。在正则表达式可能阻塞的地方使用以下字符串：<p><div class="vidwrapper">  lot of content with oder divs etc.</div><p>。尝试使用一个（或多个）正则表达式（-es）来修复这些小问题很可能会导致一个可怕的、容易出错且难以维护的解决方案。
里面永远不会有另一个
！这个 div 内部的结构总是相同的！里面只有其他 div 和一个
不应该是这样的吗：$para = "/<p><div class='vidwrapper'>(.*?)<\/div><\/p>/smix";
如果我能理解您要做什么，我可以为您编写正则表达式。你能举一些之前和之后的具体例子吗？
嗯，这很简单！我有一个复杂的自定义 html，其中包括一个带有 swfobject 的 youtube 播放器。这个复杂的 html 在我博客的每篇文章中都是一样的，并且总是包含在这个 <p><div class="vidwrapper>... 中。然而，当谈到 RSS 费用时，我不希望这个 youtube 视频可见，而且它周围的 vidwrapper 也没有任何意义。所以我实际上要做的就是在每个 RSS 项目中去掉这个<p><div class="vidwrapper>...。我发现一个已经是一个正则表达式，它会删除其中的脚本标签（swf-object javascript）并且效果很好！

标签： php regex preg-replace html-parsing

【解决方案1】：

如果它是固定发生的，那么以下可能会起作用：

preg_replace('#<p>[^<]*<div[^>]+class="vidwrapper"[^>]*>.*?</p>#is', "")

为了匹配嵌套的 html，你通常需要一个递归正则表达式，因此像 phpQuery 或 QueryPath 这样的东西通常更简单：

$html = pq($html)->find("p div.vidwrapper")->parent()->remove()->html();

【讨论】：

【解决方案2】：

使用正则表达式是个坏主意，除非您知道在 vidwrapper 中不会有任何段落（或任何表面上可能被解释为段落的内容）。

如果你不这样做，为这样的事情编写一个正则表达式将非常困难：

<p><div class="vidwrapper"> Hello there. <p>Wee.</p> Yoink. </div></p>

<p><div class="vidwrapper"> Hello there. <!-- <p>Wee.</p> --> Yoink. </div></p>

一种更简单（也更健壮）的方法可能是使用 HTML 解析器解析 HTML，然后在 DOM 树上进行搜索。

另见：

【讨论】：

【解决方案3】：

如果您认为脚本会导致问题，您也可以使用它。

#
 \s*
 <p\s*> \s* <div \s+ class \s* = \s* (["']) vidwrapper \1 \s* >
 (?:
      <script (?:\s+ (?:".*?"|'.*?'|[^>]*?)+)? \s*>
      .*?
      </script\s*>)
   |  .
 )*?
 </p\s*>
#xs

【讨论】：