(php) regexto 删除注释但忽略字符串中出现的情况

Question

我正在写一个评论剥离器并试图满足这里的所有需求。我有下面的代码堆栈，它删除了几乎所有注释，但它实际上太过分了。我们花了很多时间尝试、测试和研究匹配的正则表达式模式，但我并不认为它们在每一个方面都是最好的。

我的问题是，我也遇到了这样的情况：我实际上并不想删除标准代码中的“PHP 注释”（这些注释并不是真正的注释，甚至是 PHP 字符串中的注释）。

示例：

<?php $Var = "Blah blah //this must not comment"; // this must comment. ?>

最终发生了什么是它虔诚地删除，这很好，但它留下了某些问题：

<?php  $Var = "Blah blah  ?>

另外：

也会引起问题，因为注释删除了该行的其余部分，包括结尾？>

看到问题了吗？ ...

• '' 或 "" 中的注释字符需要被忽略
• 在同一行上使用双斜杠的 PHP 注释，也许应该只删除注释本身，或者应该删除整个 php 代码块

这是我使用的模式 。此刻，请随时告诉我我现有的模式是否可以改进：）如果

$CompressedData = $OriginalData;
$CompressedData = preg_replace('!/\*.*?\*/!s', '', $CompressedData);  // removes /* comments */
$CompressedData = preg_replace('!//.*?\n!', '', $CompressedData); // removes //comments
$CompressedData = preg_replace('!#.*?\n!', '', $CompressedData); // removes # comments
$CompressedData = preg_replace('/<!--(.*?)-->/', '', $CompressedData); // removes HTML comments

您能给我任何帮助，我将不胜感激！ :)

Answer 1

在 REGEX 中执行此操作的一种方法是使用一个复合表达式和 preg_replace_callback。

我本来打算发布一个糟糕的示例，但最好的地方是查看 Dean Edwards 的 JS 打包脚本的 PHP 端口的源代码 - 您应该看到总体思路。

http://joliclic.free.fr/php/javascript-packer/en/< /a>

Answer 2

试试这个

private function removeComments( $content ){
    $content = preg_replace( "!/\*.*?\*/!s" , '', $content );
    $content = preg_replace( "/\n\s*\n/" , "\n", $content );    
    $content = preg_replace( '#^\s*//.+$#m' , "", $content );
    $content = preg_replace( '![\s\t]//.*?\n!' , "\n", $content );
    $content = preg_replace( '/<\!--.*-->/' , "\n", $content );
    return $content;
}

Answer 3

如果要解析PHP，可以使用token_get_all来获取给定 PHP 代码的标记。然后，您只需要迭代标记，删除注释标记并将其余的重新组合在一起。

但是您需要一个单独的 HTML 注释过程，最好是一个真正的解析器（例如 DOMDocument 提供 DOMDocument::loadHTML）。

Answer 4

你首先应该仔细考虑一下你是否真的想这样做。尽管您正在做的事情可能看起来很简单，但在最坏的情况下，它会变成极其复杂的问题（只需很少的正则表达式即可解决）。让我来说明一下在尝试从文件中删除 HTML 和 PHP 注释时您可能会遇到的几个问题。

您不能直接删除 HTML 注释，因为 HTML 注释中可能包含 PHP，例如：

<!-- HTML comment <?php echo 'Actual PHP'; ?> -->

您不能简单地单独处理 和 中的内容？ > 标签，因为结尾标签 ?> 可以位于字符串甚至注释内，例如：

<?php /* ?> This is still a PHP comment <?php */ ?>

我们不要忘记，?> 实际上结束了PHP，如果它前面有一行注释。例如：

<?php // ?> This is not a PHP comment <?php ?>

当然，就像您已经说明的那样，字符串内的注释指示符会存在很多问题。解析字符串以忽略它们也不是那么简单，因为您必须记住引号可以被转义。喜欢：

<?php
$foo = ' /* // None of these start a comment ';
$bar = ' \' // Remember escaped quotes ';
$orz = " ' \" \' /* // Still not a comment ";
?>

解析顺序也会让你头疼。您不能简单地选择首先解析单行注释或多行注释。它们都必须同时解析（即按照它们在文档中出现的顺序）。否则你可能会得到损坏的代码。让我举例说明：

<?php
/* // Multiline comment */
// /* Single Line comment
$omg = 'This is not in a comment */';
?>

如果您首先解析多行注释，第二个 /* 将占用部分字符串，从而破坏代码。如果你先解析单行注释，你最终会吃掉第一个 */，这也会破坏代码。

正如您所看到的，如果您打算使用正则表达式解决问题，则必须考虑许多复杂的场景。唯一正确的解决方案是使用某种 PHP 解析器，例如 token_get_all() 来标记整个源代码并删除注释标记并重建文件。恐怕也不完全简单。它也对 HTML 注释没有帮助，因为 HTML 保持不变。您也不能使用 XML 解析器来获取 HTML 注释，因为 PHP 很少能很好地构造 HTML。

简而言之，你正在做的事情的想法很简单，但实际实施比看起来要困难得多。因此，我建议尽量避免这样做，除非您有充分的理由这样做。