Распарсивание html тэгов

[LEXAlForpostl]

Здравствуйте.
Подскажите пожалуйста, как на РНР написать скрипт, который бы:
1) Находил в переменной $txt тэг <p>, если у него есть атрибуты, то удалял бы тэг и его содержимое.
<p атрибуты, например align=center> здесь текст </p>
2) Удалял бы тэг <p> вместе с содержимым, если в содержимом меньше n РУССКИХ символов, независимо от того есть ли атрибуты у тега <p>

 

[roddik]

юзай simplexml

 

[Phoenix168]

Здравствуйте.
Подскажите пожалуйста, как на РНР написать скрипт, который бы:
1) Находил в переменной $txt тэг <p>, если у него есть атрибуты, то удалял бы тэг и его содержимое.
<p атрибуты, например align=center> здесь текст </p>
2) Удалял бы тэг <p> вместе с содержимым, если в содержимом меньше n РУССКИХ символов, независимо от того есть ли атрибуты у тега <p>

Не конкретное решение, скорее мысли вслух (тестировал на строке с одним вхождением <p>
1) Для замены

preg_replace( '|<p.*?=[\"\'].*?[\"\']>(.*?)<\/p.*?>|is', '', $str );

-- где $str ваша строка с тегами <p>;
2)

preg_match_all('/<p.*?align=[\"\'].*?[\"\']>(.*?)<\/p.*?>/si', $str, $match); //Находим содржимое тегов <p>
$num = strlen($match[1][0]); // Посчитать символы

В случае $num < n, пропускаем строку через выражение из первого пункта.

 

[RolCom]

1)

{<p\b(?:\s*\b\w+(?:\s*=\s*(?:"[^"]*"|'[^"]*'|[^\s<>'"]+))?)+\s*>.*?
(?:$|</p\s*>|
   (?=</?(?:p|div|body) #здес перечислить теги, которые не могут быть в P
))}ixs

2) На счет второго, чистой регуляркой не получится, используй замену с кодом, либо встроенный в регулярку код (если Perl).

 

[LEXAlForpostl]

Phoenix168, там не только align может быть.
Надо указать
если <p тут что-то есть>, бортовать этот тег.

 

[Phoenix168]

Phoenix168, там не только align может быть.
Надо указать
если <p тут что-то есть>, бортовать этот тег.

align можно смело убрать из выражения. Кстати попробуйте сами проверить годность выражения в RegexBuddy (Для просмотра ссылки Войди или Зарегистрируйся) весьма наглядно .

 

[RolCom]

LEXAlForpostl
Юзал бы ты мою регулярку, эта не всегда работать будет. Или воспользуйся чем-нибудь для разбора DOM.

 

[LEXAlForpostl]

Честно сказать, первый раз вижу, чтобы так писалось на РНР.
Поэтому и не стал юзать.
Это точно для РНР?

 

[antn]

Это не для PHP, а для PCRE, который встроен в PHP и не только в него.
Маленькая поправочка, вместо:

|'[^"]*'|

Наверно лучше поставить это:

|'[^']*'|

Это выражение подойдёт для большинства случаев, но так же все не покрывает.

#здес перечислить теги, которые не могут быть в P

Совпадение то всё равно будет и открывающий <p> с частью контента будут удалены.

 

[RolCom]

Маленькая поправочка, вместо:
Код:
|'[^"]*'|
Наверно лучше поставить это:
Код:
|'[^']*'|

Да, опечатка, спасибо.

Это выражение подойдёт для большинства случаев, но так же все не покрывает.

Все валидные работать будут. За исключением толко совсем невероятных случаев - если P или закрывающую конструкцию поместить в комментарий.

Честно сказать, первый раз вижу, чтобы так писалось на РНР.
Поэтому и не стал юзать.
Это точно для РНР?

Не заметил, что в перовом посте про PHP написанно. Эта регулярка в общем виде, подойдет для многих языков.

$re = '
{<p\b(?:\s*\b\w+(?:\s*=\s*(?:"[^"]*"|\'[^\']*\'|[^\s<>\'"]+))?)+\s*>.*?
(?:$|</p\s*>|
   (?=</?(?:p|div|body) #здесь перечислить теги, которые не могут быть в P
))}ixs
';
$str = preg_replace($re, '', $str);