Regex/DOMDocument - partita e sostituire il testo non in un link

Question

ho bisogno di trovare e sostituire tutto il testo corrisponde in modo insensibile caso, a meno che il testo sia all'interno di un tag di ancoraggio - per esempio:

<p>Match this text and replace it</p> 
<p>Don't <a href="/">match this text</a></p> 
<p>We still need to match this text and replace it</p> 

Ricerca per "abbina questo testo" sostituisce solo la prima istanza e l'ultima istanza.

[Modifica] Come per il commento di Gordon, può essere preferibile utilizzare DOMDocument in questa istanza. Non ho alcuna familiarità con l'estensione DOMDocument e apprezzerei davvero alcuni esempi di base per questa funzionalità.

Answer 1

Ecco una soluzione sicura UTF-8, che funziona non solo con documenti formattati correttamente, ma anche con frammenti di documenti.

Il mb_convert_encoding è necessario, perché loadHtml() sembra avere un bug con la codifica UTF-8 (vedere here e here).

mb_substr sta tagliando il tag body dall'output, in questo modo si ottiene il contenuto originale senza alcun markup aggiuntivo.

<?php 
$html = '<p>Match this text and replace it</p> 
<p>Don\'t <a href="/">match this text</a></p> 
<p>We still need to match this text and replace itŐŰ</p> 
<p>This is <a href="#">a link <span>with <strong>don\'t match this text</strong> content</span></a></p>'; 

$dom = new DOMDocument(); 
// loadXml needs properly formatted documents, so it's better to use loadHtml, but it needs a hack to properly handle UTF-8 encoding 
$dom->loadHtml(mb_convert_encoding($html, 'HTML-ENTITIES', "UTF-8")); 

$xpath = new DOMXPath($dom); 

foreach($xpath->query('//text()[not(ancestor::a)]') as $node) 
{ 
    $replaced = str_ireplace('match this text', 'MATCH', $node->wholeText); 
    $newNode = $dom->createDocumentFragment(); 
    $newNode->appendXML($replaced); 
    $node->parentNode->replaceChild($newNode, $node); 
} 

// get only the body tag with its contents, then trim the body tag itself to get only the original content 
echo mb_substr($dom->saveXML($xpath->query('//body')->item(0)), 6, -7, "UTF-8"); 

Riferimenti:
1. find and replace keywords by hyperlinks in an html fragment, via php dom
2. Regex/DOMDocument - match and replace text not in a link
3. php problem with russian language
4. Why Does DOM Change Encoding?

ho letto decine di risposte nel soggetto, quindi mi dispiace se ho dimenticato qualcuno (si prega di commentare e lo farò aggiungi il tuo anche in questo caso).

Grazie per Gordon e fermo per aver commentato my other answer.

Answer 2

<?php 
$a = '<p>Match this text and replace it</p> 
<p>Don\'t <a href="/">match this text</a></p> 
<p>We still need to match this text and replace it</p> 
'; 
$res = preg_replace("#[^<a.*>]match this text#",'replacement',$a); 
echo $res; 
?> 

In questo modo funziona. Spero che tu voglia davvero la distinzione tra maiuscole e minuscole, quindi abbinalo a una lettera minuscola

Answer 3

L'analisi HTML con regex è una grande sfida, e possono facilmente finire per diventare troppo complessi e occupare un sacco di memoria. Direi che il modo migliore è quello di fare questo:

preg_replace('/match this text/i','replacement text'); 
preg_replace('/(<a[^>]*>[^(<\/a)]*)replacement text(.*?<\/a)/is',"$1match this text$3"); 

Se il replacement text è qualcosa che potrebbe verificarsi in caso contrario, si potrebbe desiderare di aggiungere un passaggio intermedio con un po 'identificatore univoco.

Answer 4

provare questo:

$dom = new DOMDocument; 
$dom->loadHTML($html_content); 

function preg_replace_dom($regex, $replacement, DOMNode $dom, array $excludeParents = array()) { 
    if (!empty($dom->childNodes)) { 
    foreach ($dom->childNodes as $node) { 
     if ($node instanceof DOMText && 
      !in_array($node->parentNode->nodeName, $excludeParents)) 
     { 
     $node->nodeValue = preg_replace($regex, $replacement, $node->nodeValue); 
     } 
     else 
     { 
     preg_replace_dom($regex, $replacement, $node, $excludeParents); 
     } 
    } 
    } 
} 

preg_replace_dom('/match this text/i', 'IT WORKS', $dom->documentElement, array('a')); 

Answer 5

Questo è l'approccio non ricorsivo stackless utilizzando pre-ordine di attraversamento della struttura DOM.

libxml_use_internal_errors(TRUE); 
    $dom=new DOMDocument('1.0','UTF-8'); 

    $dom->substituteEntities=FALSE; 
    $dom->recover=TRUE; 
    $dom->strictErrorChecking=FALSE; 

    $dom->loadHTMLFile($file); 
    $root=$dom->documentElement; 
    $node=$root; 
    $flag=FALSE; 
    for (;;) { 
     if (!$flag) { 
      if ($node->nodeType==XML_TEXT_NODE && 
       $node->parentNode->tagName!='a') { 
       $node->nodeValue=preg_replace(
        '/match this text/is', 
        $replacement, $node->nodeValue 
      ); 
      } 
      if ($node->firstChild) { 
       $node=$node->firstChild; 
       continue; 
      } 
    } 
    if ($node->isSameNode($root)) break; 
    if ($flag=$node->nextSibling) 
      $node=$node->nextSibling; 
    else 
      $node=$node->parentNode; 
} 
echo $dom->saveHTML(); 

libxml_use_internal_errors(TRUE); e 3 righe di codice dopo $dom=new DOMDocument; dovrebbero essere in grado di gestire qualsiasi HTML errato.

Answer 6

$a='<p>Match this text and replace it</p> 
<p>Don\'t <a href="/">match this text</a></p> 
<p>We still need to match this text and replace it</p>'; 

echo preg_replace('~match this text(?![^<]*</a>)~i','replacement',$a); 

Il lookahead negativo garantisce che la sostituzione avvenga solo se il tag successivo non è un collegamento di chiusura. Funziona bene con il tuo esempio, anche se non funzionerà se ti capita di usare altri tag all'interno dei tuoi link.

Answer 7

È possibile utilizzare PHP Simple HTML DOM Parser. È simile a DOMDocument, ma a mio parere è più semplice da usare. Ecco l'alternativa in parallelo con Netcoder's DomDocument solution:

function replaceWithSimpleHtmlDom($html_content, $search, $replace, $excludedParents = array()) { 
    require_once('simple_html_dom.php'); 
    $html = str_get_html($html_content); 
    foreach ($html->find('text') as $element) { 
     if (!in_array($element->parent()->tag, $excludedParents)) 
      $element->innertext = str_ireplace($search, $replace, $element->innertext); 
    } 
    return (string)$html; 
} 

ho appena profilato questo codice contro la mia soluzione DomDocument (strega stampa lo stesso uscita esatta), e il DomDocument è (non sorprendentemente) il modo più veloce (~ 4ms contro ~ 77ms).