我试图确定某些单词在 html 块中的绝对位置，但前提是它们在实际的 html 标记之外。例如，如果我想在本文中使用 preg_match 确定单词“join”的位置：<p>There are 14 more days until our <a href="/somepage.html" target="_blank" rel="noreferrer noopener" aria-label="join us">holiday special</a> so come join us!</p>我可以使用：preg_match('/join/', $post_content, $matches, PREG_OFFSET_CAPTURE, $offset);问题是这是在匹配 aria-label 属性中的词，而我需要的是紧接在链接之后的词。可以在<a>和之间进行匹配</a>，只是不在括号内。我的实际最终目标是（我认为）除了最后一个元素之外的大部分内容：我正在修剪一个 html 块（不是完整的文档）以在特定的字数处截断。我试图确定最后一个单词以哪个字符结尾，然后将 html 块的左侧与右侧的 html 连接起来，因此所有 html 标签都可以优雅地关闭。我以为我让它工作了，直到我遇到一个例子，比如我展示了最后一个词也在 html 属性中，导致我在错误的位置拆分字符串。到目前为止，这是我的代码：$post_content = strip_tags ( $p->post_content, "<a><br><p><ul><li>" );$post_content_stripped = strip_tags ( $p->post_content );$post_content_stripped = preg_replace("/[^A-Za-z0-9 ]/", ' ', $post_content_stripped);$post_content_stripped = preg_replace("/\s+/", ' ', $post_content_stripped);$post_content_stripped_array = explode ( " " , trim($post_content_stripped) );$excerpt_wordcount = count( $post_content_stripped_array );$cutpos = 0;while($excerpt_wordcount>48){ $thiswordrev = "/" . strrev($post_content_stripped_array[$excerpt_wordcount - 1]) . "/"; preg_match($thiswordrev, strrev($post_content), $matches, PREG_OFFSET_CAPTURE, $cutpos); $cutpos = $matches[0][1] + (strlen($thiswordrev) - 2); array_pop($post_content_stripped_array); $excerpt_wordcount = count( $post_content_stripped_array );}if($pwordcount>$excerpt_wordcount){ preg_match_all('/<\/?[^>]*>/', substr( $post_content, strlen($post_content) - $cutpos ), $closetags_result); $excerpt_closetags = "" . $closetags_result[0][0]; $post_excerpt = substr( $post_content, 0, strlen($post_content) - $cutpos ) . $excerpt_closetags;}else{ $post_excerpt = $post_content;}但是在执行 preg_match 之前翻转所有括号很容易，或者我假设应该很容易让 preg_match 考虑到这一点。
2 回答
慕容3067478
TA贡献1773条经验 获得超3个赞
不要使用正则表达式来解析 HTML。
您有一个简单的目标：将文本内容限制为给定的字数，确保 HTML 保持有效。
为此，我建议循环遍历文本节点，直到您计算出一定数量的单词，然后删除之后的所有内容。
$dom = new DOMDocument();
$dom->loadHTML($post_content);
$xpath = new DOMXPath($dom);
$all_text_nodes = $xpath->query("//text()");
$words_left = 48;
foreach( $all_text_nodes as $text_node) {
$text = $text_node->textContent;
$words = explode(" ", $text); // TODO: maybe preg_split on /\s/ to support more whitespace types
$word_count = count($words);
if( $word_count < $words_left) {
$words_left -= $word_count;
continue;
}
// reached the threshold
$words_that_fit = implode(" ", array_slice($words, 0, $words_left));
// If the above TODO is implemented, this will need to be adjusted to keep the specific whitespace characters
$text_node->textContent = $words_that_fit;
$remove_after = $text_node;
while( $remove_after->parentNode) {
while( $remove_after->nextSibling) {
$remove_after->parentNode->removeChild($remove_after->nextSibling);
}
$remove_after = $remove_after->parentNode;
}
break;
}
$output = substr($dom->saveHTML($dom->getElementsByTagName("body")->item(0)), strlen("<body>"), -strlen("</body>"));
喵喵时光机
TA贡献1846条经验 获得超7个赞
好的，我想出了一个解决方法。我不知道这是否是最优雅的解决方案，所以如果有人看到更好的解决方案，我仍然很想听听，但现在我意识到我不必在我正在搜索的字符串中实际包含 html确定切割的位置，我只需要它是相同的长度。我抓取了所有的 html 元素，并创建了一个虚拟字符串，用相同数量的星号替换了所有元素：
// create faux string with placeholders instead of html for search purposes
preg_match_all('/<\/?[^>]*>/', $post_content, $alltags_result);
$tagcount = count( $alltags_result );
$post_content_dummy = $post_content;
foreach($alltags_result[0] as $thistag){
$post_content_dummy = str_replace($thistag, str_repeat("*",strlen($thistag)), $post_content_dummy);
}
然后我只是$post_content_dummy在 while 循环中使用而不是$post_content，以便找到切割位置，然后$post_content进行实际切割。到目前为止似乎工作正常。
- 2 回答
- 0 关注
- 133 浏览
添加回答
举报
0/150
提交
取消