Výsledkom tohto spracovania v premennej $ str_out je:

Môj text s rôznymi značkami.

Môžete teda zadať všetky značky platné v reťazci, zatiaľ čo všetky ostatné budú odstránené.

Tento článok pojednáva o najľahšom spôsobe vymazania značiek z reťazca. Keď zvažujem ďalšie možnosti, rozšírim tento článok. Budem rád, ak mi v komentároch alebo e-mailom navrhnete svoje možnosti riešenia tohto problému.

Absolútne každý stojí pred úlohou vyčistiť html od nepotrebných značiek.

Prvá vec, ktorá vám príde na myseľ, je použiť funkciu php strip_tags ():
string string_tags (string str [, string allowable_tags])

Funkcia vráti reťazec zbavený značiek. Značky, ktoré by sa nemali odstraňovať, sa zadávajú ako argument allowable_tags. Táto funkcia funguje, ale mierne povedané, nie je dokonalá. Cestou sa nekontroluje platnosť kódu, čo môže znamenať odstránenie textu, ktorý nie je súčasťou značiek.
Proaktívni vývojári nezaháľali - vylepšené funkcie nájdete na internete. Strip_tags_smart je dobrým príkladom.

To, či použiť hotové riešenia alebo nie, je na osobnej voľbe programátora. Stalo sa, že najčastejšie nepotrebujem „univerzálny“ obslužný program a je pohodlnejšie vyčistiť kód regulárnymi výrazmi.

Čo určuje výber tejto alebo tej metódy spracovania?

1. Zo zdrojového materiálu a náročnosti jeho analýzy.
Ak potrebujete spracovať pomerne jednoduché htmp texty, bez efektného rozloženia, jasné ako deň :), môžete použiť štandardné funkcie.
Ak majú texty určité zvláštnosti, ktoré je potrebné vziať do úvahy, potom sú tu napísané špeciálne ovládače. Niektorí môžu použiť iba str_replace. Napríklad:

$ s = pole ("â € ™" => "'", // apostrof vpravo (napr. v I "m)
"â € œ" => "" ", // Úvodná rečová značka
"â €" "=>" - ", // Dlhá pomlčka
"â €" => "" ", // Uzatváracia rečová značka
"Ã" => "é", // akútny prízvuk
chr (226). chr (128). chr (153) => "'", // Opäť apostrof
chr (226). chr (128). chr (147) => "-", // Opäť dlhá pomlčka
chr (226). chr (128). chr (156) => "" ", // Úvodná rečová značka
chr (226). chr (128). chr (148) => "-", // M znova pomlčka
chr (226). chr (128) => "" ", // Pravá rečová značka
chr (195). chr (169) => "é", // e opäť akútne
);

foreach ($ s ako $ ihla => $ nahradiť)
{
$ htmlText = str_replace ($ ihla, $ náhrada, $ htmlText);
}

Ostatné môžu byť založené na regulárne výrazy... Ako príklad:

Funkcia getTextFromHTML ($ htmlText)
{
$ search = pole (""]*?>.*?"si", // Odstráňte javaScript
""]*?>.*?"si", // Odstráňte štýly
""]*?>.*?"si", // Odstráňte značky XML
""<[\/\!]*?[^<>] *?> "si", // Odstráňte značky HTML
"" ([\ r \ n]) [\ s] "", // Odstráňte medzery
"" & (quot | # 34); "i", // Nahradenie špeciálnych znakov HTML
"" & (amp | # 38); "i",
"" & (lt | # 60); "i",
"" & (gt | # 62); "i",
"" & (nbsp | # 160); "i",
"" & (iexcl | # 161); "i",
"" & (cent | # 162); "i",
"" & (libra | # 163); "i",
"" & (kópia | # 169); "i",
"" (\ d); "e"); // napíš ako php

$ replace = pole ("",
"",
"",
"",
"\\1",
"\"",
"&",
"<",
">",
" ",
chr (161),
chr (162),
chr (163),
chr (169),
"chr (\\ 1)");

Vrátiť preg_replace ($ search, $ replace, $ htmlText);
}
(V takýchto chvíľach je schopnosť preg_replace pracovať s poľami ako parametrami potešujúca viac ako kedykoľvek predtým). V prípade potreby doplníte pole svojimi štamgastmi. Pri ich zostavovaní vám môže napríklad pomôcť tento konštruktér regexu. Začínajúcim vývojárom môže byť užitočný článok „Všetko o značkách HTML. 9 regulárnych výrazov na odstránenie značiek HTML“. Pozrite sa na tam uvedené príklady, analyzujte logiku.

2. Zo zväzkov.
Zväzky priamo súvisia so zložitosťou analýzy (z predchádzajúceho odseku). Veľký počet textov zvyšuje pravdepodobnosť, že vám niečo chýba, tým, že sa pokúsite všetko predvídať a vyčistiť pomocou štamgastov. V tomto prípade je vhodná metóda „viacstupňového“ čistenia. To znamená, že najskôr vyčistite, povedzme, pomocou funkcie strip_tags_smart (zdroje pre prípad nevymažeme). Potom selektívne zoskenujeme niekoľko textov, aby sme identifikovali „anomálie“. Nuž, „čistíme“ anomálie pravidelnými čiarami.

3. Z toho, čo chcete získať ako výsledok.
Algoritmus spracovania môže byť zjednodušený rôznymi spôsobmi v závislosti od situácie. Prípad, ktorý som popísal v jednom z predchádzajúcich článkov, to dobre ukazuje. Pripomeniem, že text tam bol vo formáte div, v ktorom bol okrem neho aj div s „chlebovými drobkami“, inzerciou na webe Adsense a zoznamom podobných článkov. Pri analýze vzorky článkov sa zistilo, že články neobsahovali obrázky a boli jednoducho rozčlenené na odseky pomocou. Aby ste „hlavný“ div nevyčistili od cudzích vecí, môžete nájsť všetky odseky (s programom Simple HTML DOM Parser je to veľmi jednoduché) a skombinovať ich obsah. Takže skôr, ako si vymyslíte štamgastov na čistenie, zistite, či si vystačíte s trochou krvi.

Vo všeobecnosti medzi zástancami analýzy html kódu založeného výlučne na regulárnych výrazoch a analýzy, ktorá je založená na analýze štruktúry DOM dokumentu, na webe vzplanú skutočné holivary. Napríklad pretečenie. Na prvý pohľad nevinné

Kontrola a spracovanie prichádzajúcich údajov je jednou z bežných úloh programovania. Jazyk PHP sa zvyčajne používa pre webové aplikácie, takže odstránenie tagov HTML z textu je tu najrelevantnejšie, pretože sú najcitlivejšie na injekcie tretích strán. V tomto článku vám chcem pripomenúť staré stip_tags () a jeho triky, ako aj navrhnúť riešenia na odstránenie sekčných značiek HTML a niekoľko užitočných bonusov, ktoré je potrebné nasledovať.

Takže. Našim hlavným nástrojom na odstraňovanie značiek HTML z textu je funkcia strip_tags (). Dávame jej reťazec hodnotu a odstráni z nej značky HTML a PHP, napríklad:

$ s = "

Odstavec.

Tento príklad vygeneruje riadok:

Odstavec. Viac textu.

Tu je pozoruhodné, že funkcia má aj druhú (voliteľné, ale užitočné) parameter, ktorého hodnota je reťazec so zoznamom povolených značiek HTML, napríklad:

$ s = "

Odstavec.

Tento príklad vygeneruje riadok:

Odstavec.

Viac textu.

Podľa mňa je to veľmi výhodné. To však nerieši jeden dôležitý problém - odstránenie sekčných značiek HTML napríklad skript, noscript a štýl sú najbežnejšie. Keď potrebujem odstrániť tieto sekčné značky, ako aj možnosti začínajúce na „< » и заканчивающиеся символом « >", Používam nasledujúci kód PHP:

$ p = pole (
""]*?>.*?"si",
""]*?>.*?"si",
""]*?>.*?"si",
""<[\/\!]*?[^<>] *?> "si",
);
$ r = pole ("", "", "", "");
$ s = preg_replace ($ p, $ r, $ s);

Tu premenná $ p obsahuje pole regulárnych výrazov a $ r je pole ich zodpovedajúcej náhrady (používam medzery)... Jediná vec, ktorú musíte urobiť, je nahradiť riadok a z textu odstránime odpadky HTML.

Vyššie uvedené dve riešenia je samozrejme možné kombinovať. Najprv použijem nahradenie regulárnym výrazom a potom strip_tags () a získam vlastnú funkciu nohtml ().

Na záver by som vám chcel ponúknuť niekoľko užitočnejších riešení. V texte je teda lepšie nahradiť karty medzerou, výsledok interpretácie oboch v prehliadači je identický a problémy budú menšie, napríklad:

$ s = str_replace ("\ t", "", $ s);

Ak nepotrebujete zalomenia riadkov, môžu byť tiež nahradené medzerami, napríklad:

$ s = str_replace (pole ("\ n", "\ r"), "", $ s);