正则表达式取代 reg 商标

Question

我需要一些关于正则表达式的帮助：

我有一个 html 输出，我需要用 包装所有注册商标，

我无法插入 ^; 标签在 title 和 alt 属性中，显然我不需要包装已经上标的regs。

以下正则表达式匹配不属于 HTML 标记的文本：

(?<=^|>)[^><]+?(?=<|$)

我正在寻找的示例：

$original = `<div>asd&reg; asdasd. asd<sup>&reg;</sup>asd <img alt="qwe&reg;qwe" /></div>`

过滤后的字符串应输出：

<div>asd<sup>&reg;</sup> asdasd. asd<sup>&reg;</sup>asd <img alt="qwe&reg;qwe" /></div>

非常感谢您的时间！！！

Answer 1

好吧，如果您同意以下限制，这里有一个简单的方法：

那些已经处理的regs具有紧随 ® 之后

echo preg_replace('#®(?!\s*</sup>|[^<]*>)#','<sup>®</sup>', $s);

背后的逻辑是：

1. 我们只替换那些 ®后面没有 和...
2. 后面没有 > simbol 无需打开 <象征

Answer 2

我真的会使用 HTML 解析器来代替正则表达式，因为 HTML 不是正则表达式，并且会呈现比您想象的更多的边缘情况（忽略您在上面确定的上下文限制）。

你没有说你使用什么技术。如果您将其发布，毫无疑问有人可以推荐合适的解析器。

Answer 3

正则表达式不足以满足您的需求。首先，您必须编写代码来识别内容何时是元素的属性值或文本节点。然后您必须浏览所有内容并使用某种替换方法。我不确定它在 PHP 中是什么，但在 JavaScript 中它看起来像这样：

content[i].replace(/\®/g, "<sup>®</sup>");

Answer 4

我同意 Brian 的观点，即正则表达式不是解析 HTML 的好方法，但如果必须使用正则表达式，您可以尝试将字符串拆分为标记，然后在每个标记上运行正则表达式。

我使用 preg_split 来拆分 HTML 标记上的字符串以及短语 ^® ——这将留下文本这要么不是一个上标 ® ，要么是一个作为标记的标签。然后，对于每个标记，® 可以替换为 ^®：

$regex = '/(<sup>®<\/sup>|<.*?>)/i';
$original = '<div>asd® asdasd. asd<sup>®</sup>asd <img alt="qwe®qwe" /></div>';

// we need to capture the tags so that the string can be rebuilt
$tokens = preg_split($regex, $original, -1, PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY);
/* $tokens => Array
(
    [0] => <div>
    [1] => asd® asdasd. asd
    [2] => <sup>®</sup>
    [3] => asd
    [4] => <img alt="qwe®qwe" />
    [5] => </div>
)
*/

foreach ($tokens as &$token)
{
    if ($token[0] == "<") continue; // Skip tokens that are tags
    $token = substr_replace('®', '<sup>®</sup>');
}

$tokens = join("", $tokens); // reassemble the string
// $tokens => "<div>asd<sup>®</sup> asdasd. asd<sup>®</sup>asd <img alt="qwe®qwe" /></div>"

请注意，这是一种幼稚的方法，并且如果输出的格式不符合预期，它可能无法像您希望的那样进行解析（同样，正则表达式不适合 HTML 解析；））