当输入是 html 时 preg_replace 返回 null （但不是所有时候）

Question

我正在从几个不同的来源读取 html 内容，我必须对其进行操作。作为其中的一部分，我有许多 preg_replace() 调用，我必须替换收到的 html 中的一些信息。

在我必须执行此操作的 90% 站点上，一切正常，其余 10% 在每次 preg_replace() 调用时返回 NULL。

我尝试根据我发现的其他文章增加 pcre.backtrack_limit 和 pcre.recursion_limit ，这些文章似乎有相同的问题，但这没有用。

我有输出 preg_last_error() ，它返回“4”，PHP文档对此没有任何帮助，所以如果有人能阐明这一点，它可能会开始为我指明正确的方向，但我难住了。

其中一个令人反感的例子是：

$html = preg_replace('@<script[^>]*?.*?</script>@siu', '', $html);

但正如我所说，这在 90% 的情况下都有效。

Answer 1

不要使用正则表达式解析 HTML。使用真正的 DOM 解析器：

$dom = new DOMDocument;
$dom->loadHTML($html);
$scripts = $dom->getElementsByTagName('script');
while ($el = $scripts->item(0)) {
    $el->parentNode->removeChild($el);
}
$html = $dom->saveHTML();

Answer 2

你的 utf-8 格式不好。

/**
 * Returned by preg_last_error if the last error was
 * caused by malformed UTF-8 data (only when running a regex in UTF-8 mode). Available
 * since PHP 5.2.0.
 * @link http://php.net/manual/en/pcre.constants.php
 */
define ('PREG_BAD_UTF8_ERROR', 4);

然而，你真的不应该使用正则表达式来解析 html。使用 DOMDocument

编辑：我也不认为这个答案是不包含 您无法解析 [X ]带有正则表达式的 HTML。

Answer 3

您的 #4 错误是“PREG_BAD_UTF8_ERROR”，您应该检查导致此错误的网站上使用的字符集。

Answer 4

您可能超出了回溯和/或内部递归限制。请参阅http://php.net/manual/en/pcre.configuration.php

在 preg_replace 之前尝试一下：

ini_set('pcre.backtrack_limit', '10000000');
ini_set('pcre.recursion_limit', '10000000');