Kesinlikle herkes gereksiz etiketlerden html temizleme görevi ile karşı karşıyadır.

Akla gelen ilk şey strip_tags() php fonksiyonunu kullanmaktır:
string strip_tags (string str [, string allowable_tags])

İşlev, etiketlerden arındırılmış bir dize döndürür. Kaldırılmaması gereken etiketler, allow_tags bağımsız değişkeni olarak iletilir. İşlev çalışıyor, ancak en hafif tabirle mükemmel değil. Yol boyunca, etiketlerde yer almayan metnin kaldırılmasını gerektirebilecek kodun geçerliliği için bir kontrol yoktur.
Proaktif geliştiriciler boş boş oturmadılar - gelişmiş işlevler internette bulunabilir. Strip_tags_smart iyi bir örnektir.

Hazır çözümleri kullanmak veya kullanmamak programcının kişisel tercihidir. Öyle oldu ki, çoğu zaman "evrensel" bir işleyiciye ihtiyacım yok ve kodu normal ifadelerle temizlemek daha uygun.

Bu veya bu işleme yönteminin seçimini ne belirler?

1. Kaynak materyalden ve analizinin karmaşıklığından.
Oldukça basit htmp metinlerini, süslü bir düzen olmadan, gün gibi net bir şekilde işlemeniz gerekiyorsa, o zaman standart işlevleri kullanabilirsiniz.
Metinlerde dikkate alınması gereken belirli özellikler varsa, o zaman özel işleyicilerin yazıldığı yer burasıdır. Bazıları sadece str_replace kullanabilir. Örneğin:

$ s = dizi ("â € ™" => "' ", // Sağ kesme işareti (örn. I" m'de)
"â € œ" => "“ ", // Açılış konuşma işareti
"â €“ "=>" - ", // Uzun tire
"â €" => "” ", // Kapanış konuşma işareti
"Ã" => "é", // e akut vurgu
chr (226). chr (128). chr (153) => "' ", // Tekrar sağa kesme işareti
chr (226). chr (128). chr (147) => "-", // Tekrar uzun tire
chr (226). chr (128). chr (156) => "“ ", // Açılış konuşma işareti
chr (226). chr (128). chr (148) => "-", // M tekrar çizgi
chr (226). chr (128) => "” ", // Sağ konuşma işareti
chr (195). chr (169) => "é", // e tekrar akut
);

foreach ($ s as $ iğne => $ yerine)
{
$ htmlText = str_replace ($iğne, $değiştir, $htmlText);
}

Diğerleri dayalı olabilir düzenli ifadeler... Örnek olarak:

işlev getTextFromHTML ($ htmlText)
{
$ arama = dizi (""]*?>.*?"si", // javaScript'i kaldır
""]*?>.*?"si", // Stilleri kaldır
""]*?>.*?"si", // xml etiketlerini kaldır
""<[\/\!]*?[^<>] *?> "si", // HTML etiketlerini kaldır
"" ([\ r \ n]) [\ s] "", // Boşlukları kaldırın
"" & (quot | # 34); "i", // HTML özel karakterlerini değiştir
"" & (amp | # 38); "i",
"" & (lt | # 60); "i",
"" & (gt | # 62); "i",
"" & (nbsp | # 160); "i",
"" & (iexcl | # 161); "i",
"" & (yüzde | # 162); "i",
"" & (pound | # 163); "i",
"" & (kopya | # 169); "i",
"" (\ d); "e"); // php olarak yaz

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

preg_replace döndür ($ arama, $ değiştirme, $ htmlText);
}
(Böyle anlarda, preg_replace'in dizilerle parametre olarak çalışabilmesi her zamankinden daha fazla memnuniyet vericidir). Gerekirse, diziyi düzenlilerinizle tamamlarsınız. Örneğin, bu normal ifade oluşturucu bunları derlemenize yardımcı olabilir. Acemi geliştiriciler, "HTML etiketleri hakkında her şey. HTML etiketlerini çıkarmak için 9 Normal İfade" makalesini yararlı bulabilir. Oradaki örneklere bakın, mantığı analiz edin.

2. Ciltlerden.
Hacimler, analizin karmaşıklığı ile doğrudan ilişkilidir (önceki paragraftan). Çok sayıda metin, her şeyi düzenli olarak öngörmeye ve temizlemeye çalışarak bir şeyleri kaçırma olasılığınızı artırır. Bu durumda, "çok aşamalı" temizleme yöntemi uygundur. Yani, önce strip_tags_smart işlevini kullanarak temizleyin (her ihtimale karşı kaynakları silmiyoruz). Ardından, "anomalileri" belirlemek için bir dizi metni seçici olarak tararız. Normal çizgilerle anormallikleri "temizliyoruz".

3. Sonuç olarak elde edilmesi gerekenlerden.
İşleme algoritması duruma bağlı olarak farklı şekillerde basitleştirilebilir. Önceki makalelerden birinde anlattığım durum bunu çok iyi gösteriyor. Oradaki metnin bir div'de olduğunu hatırlatayım, buna ek olarak içinde "ekmek kırıntıları" olan bir div, bir adsense reklamı, benzer yazıların bir listesi de vardı. Bir makale örneği analiz edildiğinde, makalelerin şekil içermediği ve sadece kullanılarak paragraflara ayrıldığı tespit edildi. "Ana" div'i gereksiz şeylerden temizlememek için tüm paragrafları bulabilir (Simple HTML DOM Ayrıştırıcı ile çok basittir) ve içeriklerini birleştirebilirsiniz. Bu yüzden düzenli temizlik yapmadan önce, biraz kanla geçinebilecek misin bir bak.

Genel olarak, yalnızca düzenli ifadelere dayanan html kodunu ayrıştırma ve belgenin DOM yapısının analizine dayanan ayrıştırma destekçileri arasında, ağda gerçek holivarlar alevlenir. Örneğin, taşma. İlk bakışta masum

Bir dizeden tüm veya yalnızca belirli html etiketlerini kaldırma görevi, genellikle herhangi bir sayfa ziyaretçisinin yeni bilgiler eklemesi için bir fırsat sağlamanın gerekli olduğu durumlarda ortaya çıkar. En yaygın örnek, bir ziyaretçi defteri veya bir site yorum sistemi olabilir. Bu şekilde eklenen metin, metni kopyalarken yanlışlıkla veya mesajı bir şekilde "çok orijinal" hale getirmek için kasıtlı olarak eklenen birçok farklı etiket içerebilir. Ayrıca, komut dosyası etiketlerinde siteye kötü amaçlı kod enjekte etme girişimleri veya sayfa düzenini gereksiz etiketlerle bozma girişimi de dikkate değer.

Yukarıdaki durumlardan herhangi birinde, yeni bilgi yazmadan önce gereksiz html etiketlerinden temizlemek gerekli hale gelir.

Html etiketlerinden metnin tamamen temizlenmesi

Normal ifadeler genellikle bu tür görevler için kullanılır, ancak bu makalede en basit yöntemi ele alacağız - strip_tags php işlevini kullanarak etiketleri kaldırmak. Bu işlev, etiketleri belirtilen dizeden kaldırır.

$ str_in = "

Benim Metin ile birlikte çeşitli etiketler.

Bu işlemin bir sonucu olarak, $ str_out değişkeninde etiketsiz bir dize elde ederiz:

Çeşitli etiketlerle metnim.

* strip_tags işlevinin yalnızca etiketlerin kendisini ayırdığını ve içeriklerini açılış ve kapanış etiketleri arasında bıraktığını unutmayın.

Tek tek html etiketlerini metinden kaldırma

Bazen bir dizeden yalnızca belirli etiketleri çıkarmanız gerekir. Burada strip_tags fonksiyonunu da kullanacağız fakat bu sefer ikinci (opsiyonel) parametre ile kaydedilecek tagları belirteceğiz.

Örneğin, bir dizeyi işlerken, yalnızca bağlantı bırakmanız gerekir:

$ str_in = "

Benim Metin ile birlikte çeşitli etiketler.