PHP

Question

我应该删除从通用网站 URL 的 file_get_contents 获取的 PHP 字符串中标签之间的所有内容（和标签）。我正在使用 RegEx 表达式：

preg_replace('/<script\b[^>]*>(.*?)<\/script>/is', "", $string);

它工作正常，但我的问题是，如果脚本包含 CDATA 标记，它将无法工作。字符串的一个例子是：

<script type='text/javascript'>
/* <![CDATA[ */
var variable = {"ajax":"....."}
/* ]]> */
</script>

我想问题出在那些“/”和“/”标签上。

我已经在 google 和 Stack Overflow 上进行了搜索，但是对于特定类型的 cdata 标签（使用 /* 和 */）毫无疑问，所以没有任何效果。

有什么建议吗？

编辑： 正如史蒂夫回答的那样，我现在正在使用这样的代码：

foreach($dom->getElementsByTagName('script') as $scripttag){
$scripttag->parentNode->removeChild($scripttag);
}

然后我有：

foreach($dom->getElementsByTagName('ins') as $string) {
    $string2 .= $string->nodeValue;
    $string2 .= ' ';
}

但是 returns 一个带有脚本标签的 $string2。

编辑 2（已解决）： 在 Steve 的帮助下，我发现使用 Xpath 可以解决问题：

$xpath = new DOMXpath($dom);
foreach ($xpath->query('//script') as $node) {
   $node->parentNode->removeChild($node);
}

这也会删除另一个标签内的脚本标签，例如：

<ins><script>First JS</script></ins>
<ins>Hello</ins>
<script>Second JS</script>

会输出

Hello

谢谢大家的帮助！

Answer 1

不要为此使用正则表达式，使用正确的 html 解析器，如 domdocument:

$dom = new DOMDocument('1.0', 'utf-8');
$dom->loadHTML($html);
//removing elements from a nodelist resets the internal pointer, so traverse backwards:
$elements = $dom->getElementsByTagName('script');
$count = $elements->length;
while(--$count){
    $elements->item($count)->parentNode->removeChild($elements->item($count));
}

//you can do further dom manipulation here if needed
$insertContents='';
foreach($dom->getElementsByTagName('ins') as $insert){
    $insertContents .= $insert->nodeValue . ' ';
}
//if you need the complete html at all:
$html = $dom->saveHTML();
//your desired string:
echo $insertContents;

PHP - 删除 <script> 内的所有内容和 HTML 字符串的 CDATA

PHP - Remove all content inside <script> and CDATA of HTML string

html

regex

dom

domdocument