Výsledkom takéhoto spracovania v premennej $str_out dostaneme:

Môj text s rôznymi značkami.

Týmto spôsobom môžete zadať všetky značky, ktoré sú platné v reťazci, zatiaľ čo všetky ostatné sú odstránené.

Tento článok popisuje najjednoduchší spôsob vymazania reťazca zo značiek. Vzhľadom na ďalšie možnosti tento článok rozšírim. Budem rád, ak v komentároch alebo e-mailom ponúknete svoje možnosti riešenia tohto problému.

Úplne každý stojí pred úlohou vyčistiť html od nepotrebných značiek.

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

Funkcia vracia reťazec zbavený značiek. Allowable_tags sú značky, ktoré by sa nemali odstraňovať. Funkcia funguje, ale mierne povedané, nedokonalá. Počas toho sa nekontroluje platnosť kódu, čo môže viesť k odstráneniu textu, ktorý nie je zahrnutý v značkách.
Vývojári iniciatívy nezostali nečinní – na sieti nájdete vylepšené funkcie. Dobrým príkladom je strip_tags_smart .

Či použiť hotové riešenia alebo nie, je osobná voľba programátora. Stalo sa, že najčastejšie nepotrebujem "univerzálny" handler a je pohodlnejšie vyčistiť kód pomocou regulárnych výrazov.

Čo určuje výber jednej alebo druhej metódy spracovania?

1. Z východiskového materiálu a zložitosti jeho rozboru.
Ak potrebujete spracovať pomerne jednoduché htmp texty, bez akéhokoľvek nápaditého rozloženia, jasné ako deň :), potom môžete použiť štandardné funkcie.
Ak majú texty určité vlastnosti, ktoré je potrebné vziať do úvahy, potom sú tu napísané špeciálne manipulátory. Niektorí môžu použiť iba str_replace . Napríklad:

$s = array("’" => "'", // Pravý apostrof (napr. v I"m)
"“" => """, // Otváracia značka reči
"â€"" => "—", // Dlhá pomlčka
"â€" => """, // Značka ukončenia reči
"Ã" => "é", // e ostrý prízvuk
chr(226) . chr(128) . chr(153) => "'", // Opäť pravý apostrof
chr(226) . chr(128) . chr(147) => "—", // Opäť dlhá pomlčka
chr(226) . chr(128) . chr(156) => """, // Otváracia značka reči
chr(226) . chr(128) . chr(148) => "—", // Znova pomlčka
chr(226) . chr(128) => """, // Pravá značka reči
chr(195) . chr(169) => "é", // e opäť akútne
);

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

Iné môžu byť založené na regulárne výrazy. Ako príklad:

Funkcia getTextFromHTML($htmlText)
{
$search = array(""]*?>.*?"si", // Odstrániť javascript
""]*?>.*?"si", // Odstránenie štýlov
""]*?>.*?"si", // Odstránenie xml tagov
""<[\/\!]*?[^<>]*?>"si", // Odstránenie značiek 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",
""&(kopírovať|#169);"i",
""(\d);"e"); // napíšte ako php

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

Return preg_replace($search, $replace, $htmlText);
}
(V časoch, ako je tento, je viac ako kedykoľvek predtým pekné mať možnosť použiť preg_replace s poľami ako parametre.) V prípade potreby doplníte pole svojimi regulárnymi výrazmi. Napríklad tento konštruktor regulárneho výrazu vám môže pomôcť pri ich kompilácii. Pre začínajúcich vývojárov môže byť užitočný článok „Všetko o značkách HTML. 9 regulárnych výrazov na odstránenie značiek HTML“. Hľadajte tam príklady, analyzujte logiku.

2. Zo zväzkov.
Objemy priamo súvisia so zložitosťou analýzy (z predchádzajúceho odseku). Veľké množstvo textov zvyšuje pravdepodobnosť, že pri snahe predvídať a upratať všetko pomocou regulárnych výrazov vám môže niečo uniknúť. V tomto prípade je vhodná metóda „viacstupňového“ čistenia. To znamená, že najskôr ho vymažte, napríklad pomocou funkcie strip_tags_smart (zdroje pre každý prípad nevymažeme). Potom selektívne preskúmame určitý počet textov, aby sme identifikovali „anomálie“. No a anomálie „upratujeme“ regulárnymi výrazmi.

3. Z toho, čo potrebujete získať ako výsledok.
Algoritmus spracovania môže byť zjednodušený rôznymi spôsobmi v závislosti od situácie. Prípad, ktorý som opísal v jednom z predchádzajúcich článkov, to dobre demonštruje. Pripomeniem, že text tam bol v dive, v ktorom bol okrem neho aj div s „strúhankou“, reklama na adsense, zoznam podobných článkov. Pri analýze vzorky článkov sa zistilo, že články neobsahujú obrázky a sú jednoducho rozdelené do odsekov pomocou . Aby ste nečistili „hlavný“ div od cudzích vecí, môžete nájsť všetky odseky (s Simple HTML DOM Parserom je to veľmi jednoduché) a spojiť ich obsah. Takže predtým, ako začnete pravidelne čistiť, zistite, či si vystačíte s trochou krvi.

Vo všeobecnosti medzi zástancami analýzy html kódu, založeného čisto na regulárnych výrazoch, a analýzy, ktorá je založená na analýze DOM štruktúry dokumentu, sa v sieti rozhoria skutočné holiwary. Tu napríklad na prepade. Na prvý pohľad nevinné

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

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

$s = "

Odsek.

Tento príklad vypíše riadok:

Odsek. Viac textu.

Tu je pozoruhodné, že funkcia má sekundu (nepovinné, ale užitočné) parameter, ktorého hodnotou je reťazec so zoznamom povolených značiek HTML, napríklad:

$s = "

Odsek.

Tento príklad vypíše riadok:

Odsek.

Viac textu.

Podľa mňa veľmi pohodlné. To však nerieši jeden dôležitý problém - odstránenie značiek sekcií HTML, napríklad: script , noscript a style sú najčastejšie. Keď potrebujem odstrániť takéto značky sekcií, 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). Zostáva iba nahradiť riadok a z textu odstránime odpadky HTML.

Je zrejmé, že vyššie uvedené dve riešenia je možné kombinovať. Na začiatku používam náhradu regulárnych výrazov a potom strip_tags() a získam vlastnú funkciu nohtml().

Na záver vám chcem ponúknuť niekoľko užitočných riešení. Takže v texte je lepšie nahradiť tabuľku medzerou, výsledok interpretácie oboch v prehliadači je rovnaký a bude menej problémov, napríklad:

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

Ak nepotrebujete zalomenie riadkov, môžete ich nahradiť aj medzerami, napríklad:

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

Nadbytočných medzier sa môžete zbaviť jednoduchým regulárnym výrazom, napríklad:

$s = preg_replace("/\s+/", " ", $s);
$s = trim($s); // nebude zbytočný

To je z mojej strany všetko. Ďakujem za tvoju pozornosť. Veľa štastia!