拆分单词但不包含HTML如果它包含HTML

Question

我需要一个函数或一些正则表达式来分割字符串中的空格，但将HTML标记视为单词。

$str = 'one two <a href="">three</a> four'; 
$x = explode(" ", $str); 
print_r($x); 

/* Returns: 
    Array 
(
    [0] => one 
    [1] => two 
    [2] => <a 
    [3] => href="">three</a> 
    [4] => four 
) 

Looking for way to return: 

Array 
(
    [0] => one 
    [1] => two 
    [2] => <a href="">three</a> 
    [3] => four 
) 

*/ 

任何想法？谢谢

Answer 1

这是简单一些，然后上面，还没有完全测试，但给它一个镜头。

$str = 'one two <a href="">three</a> four'; 

if(preg_match_all('%(<[^<]+.*?>|[^\s]+)%', $str, $matches)) { 
    array_shift($matches); 
    print_r($matches); 
} 

这里是另一个我5分钟左右的作品好一点的测试版本：

$str = 'one two <a href="omfg hi I have spaces"> three</a> four <script type="javascript"> var a = "hello"; </script><random tag>la la la la<nested>hello?</nested></random tag>'; 

if(preg_match_all('%(<[^<]+.*?>|[^\s]+)%', preg_replace('%([\s]\<|\>[\s])%', '$1', $str), $matches)) { 
    array_shift($matches); 
    echo '<pre>'; 
    print_r($matches); 
    echo '</pre>'; 
} 

Answer 2

在使用爆炸之前和之后，可以对字符串进行正则表达式替换。

所以它会进入爆炸一样

<a_href="">test</a> 

超越任何简单的情况下，虽然你在谈论解析HTML这不是做正则表达式的好事。

这里有很多关于解析HTML的问题。也许你可以适应他们。

Answer 3

preg_split('/(<([A-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1>)|| /, $text) 

这有时会奏效。它分成一个标签集，或者一个空间。

但是，你想要的不是那么简单。您应该涵盖所有嵌套标签的情况，内容有空格的标签（[a href] Foo Bar Baz [/ a]）等等。 为此，你最好实现一个合适的XML（html）解析器。

但是在我看来你对这个数组有目的。它是数数“单词”吗？如果是这样，解决方案将是一个更简单的函数调用，从文本中剥离所有HTML（strip_tags（）），然后应用您的wordsplitter并对它们进行计数。

Answer 4

我编写并测试了这个自定义函数。试试看，让我知道你的想法。

function fireSplit($str) { 
    if (strpos($str,"<") === FALSE) return explode(" ",$str); 
    $str = trim($str); 
    $out = array(); 
    $curIdx = 0; 
    $endIdx = strlen($str) -1; 

    while ($curIdx <= $endIdx) { 
     if (substr($str,$curIdx,1) == " ") { 
       $curIdx += 1; 
       continue; 
     } 
     $nextspace = strpos($str," ",$curIdx); 
     $nexttag = strpos($str,"<",$curIdx); 
     $nexttag2 = strpos($str,"/",$nexttag); 
     $nexttag3 = strpos($str,">",$nexttag2); 

     if ($nextspace === FALSE) { 
       $out[] = substr($str,$curIdx); 
       $curIdx = $endIdx + 1; 
       continue; 
     } 

     if ($nexttag !== FALSE && $nexttag < $nextspace && $nexttag2 !== FALSE && $nexttag3 !== FALSE) { 
       $out[] = substr($str,$curIdx,($nexttag3 - $curIdx + 1)); 
       $curIdx = $nexttag3 + 1; 
     } else { 
       $out[] = substr($str,$curIdx,($nextspace - $curIdx)); 
       $curIdx = $nextspace; 
     } 
    } 
return $out; 
} 

我叫：

fireSplit("one two <a href=\"haha\">three</a> four"); 
fireSplit("a <b>strong</b> c d e f"); 

，它返回：

array(4) { 
    [0]=> 
    string(3) "one" 
    [1]=> 
    string(3) "two" 
    [2]=> 
    string(24) "<a href="haha">three</a>" 
    [3]=> 
    string(4) "four" 
} 

array(6) { 
    [0]=> 
    string(1) "a" 
    [1]=> 
    string(13) "<b>strong</b>" 
    [2]=> 
    string(1) "c" 
    [3]=> 
    string(1) "d" 
    [4]=> 
    string(1) "e" 
    [5]=> 
    string(1) "f" 
}