regex - 将开始和结束 anchor 标记之间的字符串替换为其他字符串

Question

我需要用其他字符串替换一对 anchor 标记之间的字符串。更清楚地说:

<a blah blah>Click Here</a>

我想将“单击此处”替换为 <img src=... />标签。我阅读了一些其他资源，尝试了 Lars Olav Torvik 的正则表达式工具，但严重失败!

请帮帮我!

Answer 1

不要使用正则表达式来解析 HTML!

是的，一般来说，使用正则表达式来解析 HTML 充满了危险。计算机科学家会正确地指出 HTML 不是 REGULAR 语言。然而，与这里许多人认为的相反，在某些情况下使用正则表达式解决方案是完全有效和适当的。阅读 Jeff Atwoods 关于这个主题的博客文章:Parsing Html The Cthulhu Way 。撇开免责声明不谈，让我们继续使用正则表达式解决方案......

问题的重新陈述:

原来的问题相当模糊。这是对问题的更精确(可能根本不是OP所要求的)解释/重新表述:

已知:我们有一些 HTML 文本( HTML 4.01 或 XHTML 1.0 )。此文本包含<A..>...</A> anchor 元素。其中一些 anchor 元素是指向图像文件资源的链接(即 HREF 属性指向以文件扩展名结尾的 URI: JPEG 、 JPG 、 PNG 或 GIF )。其中一些图像链接是简单的文本链接，其中 anchor 元素的内容是纯文本，没有其他 HTML 元素，例如<a href="picture.jpg">Link text with no HTML tags</a> .

查找:是否有正则表达式解决方案可以获取这些“plain-text-link-to-image-resource-file”链接，并替换链接文本与 IMG元素具有 SRC属性设置为相同的图像 URI 资源？以下(有效的 HTML 4.01)示例输入包含三个段落。第一段中的所有链接都需要修改，但第二段和第三段中的所有链接都不要修改并保持原样:

HTML 输入示例:

<p title="Image links with plain text contents to be modified">
    This is a <a href="img1.png">LINK 1</a> simple anchor link to image.
    This <a title="<>" href="img2.jpg">LINK 2</a> has attributes before HREF.
    This <a href="img3.gif" title='<>'>LINK 3</a> has attributes after HREF.
</p>
<p title="NON-image links with plain text contents NOT to be modified">
    This is a <a href="tmp1.txt">LINK 1</a> simple anchor link to NON-image.
    This <a title="<>" href="tmp2.txt">LINK 2</a> has attributes before HREF.
    This <a href="tmp3.txt" title='<>'>LINK 3</a> has attributes after HREF.
</p>
<p title="Image links with NON-plain text contents NOT to be modified">
    This is a <a href="img1.png"><b>BOLD 1</b></a> anchor link to image.
    This is an <a href="img3.gif"><img src="img3.gif"/></a> image link to image.
</p>

所需的 HTML 输出:

<p title="Image links with plain text contents to be modified">
    This is a <a href="img1.png"><img src="img1.png" /></a> simple anchor link to image.
    This <a title="<>" href="img2.jpg"><img src="img2.jpg" /></a> has attributes before HREF.
    This <a href="img3.gif" title='<>'><img src="img3.gif" /></a> has attributes after HREF.
</p>
<p title="NON-image links with plain text contents NOT to be modified">
    This is a <a href="tmp1.txt">LINK 1</a> simple anchor link to NON-image.
    This <a title="<>" href="tmp2.txt">LINK 2</a> has attributes before HREF.
    This <a href="tmp3.txt" title='<>'>LINK 3</a> has attributes after HREF.
</p>
<p title="Image links with NON-plain text contents NOT to be modified">
    This is a <a href="img1.png"><b>BOLD 1</b></a> anchor link to image.
    This is an <a href="img3.gif"><img src="img3.gif"/></a> image link to image.
</p>

请注意，这些示例包括测试用例 <A..>...</A> anchor 标记在所需的 HREF 属性之前和之后都有单引号和双引号属性值，并且包含 cthulhu 诱人(但完全有效的 HTML 4.01)、尖括号。

另请注意，替换文本是一个以 '/>' 结尾的(空)IMG 标签。 (这不是有效的 HTML 4.01)。

正则表达式解决方案:

问题的陈述定义了要匹配的高度特定模式，其具有以下要求:

• <A..>...</A>开始标记在HREF之前和/或之后可以有任意数量的属性。属性。
• HREF属性值必须具有以 JPEG 结尾的值, JPG , PNG或GIF (不区分大小写)。
• <A..>...</A> 的内容元素不得包含任何其他 HTML 标签。
• <A..>...</A>元素目标模式不是嵌套结构。

在处理如此高度特定的子字符串时，精心设计的正则表达式解决方案可以很好地工作(很少有边缘情况会导致问题)。这是一个经过测试的 PHP 函数，它可以很好地完成工作(并正确转换上面的示例输入):

// Convert text-only contents of image links to IMG element.
function textLinksToIMG($text) {
    $re = '% # Match A element with image URL and text-only contents.
        (                     # Begin $1: A element start tag.
          <a                  # Start of A element start tag.
            (?:               # Zero or more attributes before HREF.
              \s+             # Whitespace required before attribute.
              (?!href\b)      # Match attributes other than HREF.
              [\w\-.:]+       # Attribute name (Non-HREF).
              (?:             # Attribute value is optional.
                \s*=\s*       # Attrib name and value separated by =.
                (?:           # Group for attrib value alternatives.
                  "[^"]*"     # Either double quoted,
                | \'[^\']*\'  # or single quoted,
                | [\w\-.:]+   # or unquoted value.
                )             # End group of value alternatives.
              )?              # Attribute value is optional.
            )*                # Zero or more attributes before HREF.
            \s+               # Whitespace required before attribute.
            href\s*=\s*       # HREF attribute name.
            (?|               # Branch reset group for $2: HREF value.
              "([^"]*)"       # Either $2.1: double quoted,
            | \'([^\']*)\'    # or $2.2: single quoted,
            | ([\w\-.:]+)     # or $2.3: unquoted value.
            )                 # End group of HREF value alternatives.
            (?<=              # Look behind to assert HREF value was...
              jpeg[\'"]       # either JPEG,
            | jpg[\'"]        # or JPG,
            | png[\'"]        # or PNG,
            | gif[\'"]        # or GIF,
            )                 # End look behind assertion.
            (?:               # Zero or more attributes after HREF.
              \s+             # Whitespace required before attribute.
              [\w\-.:]+       # Attribute name.
              (?:             # Attribute value is optional.
                \s*=\s*       # Attrib name and value separated by =.
                (?:           # Group for attrib value alternatives.
                  "[^"]*"     # Either double quoted,
                | \'[^\']*\'  # or single quoted,
                | [\w\-.:]+   # or unquoted value.
                )             # End group of value alternatives.
              )?              # Attribute value is optional.
            )*                # Zero or more attributes after HREF.
          \s*                 # Allow whitespace before closing >
          >                   # End of A element start tag.
        )                     # End $1: A element start tag.
        ([^<>]*)              # $3: A element contents (text-only).
        (</a\s*>)             # $4: A element end tag.
        %ix';
    return preg_replace($re, '$1<img src="$2" />$4', $text);
}

是的，此解决方案中的正则表达式很长，但这主要是由于大量的注释，这也使其具有高度可读性。它还可以正确处理可能包含尖括号的带引号的属性值。是的，当然可以创建一些 HTML 标记来破坏这个解决方案，但是这样做所需的代码将非常复杂，几乎是闻所未闻的。