我们的数据库中填充了从RSS源检索到的文章.我不确定我将获得什么数据,以及已经设置了多少过滤(使用SimplePie库的WP-O-Matic Wordpress插件).这个插件在插入之前使用Wordpress的内置后置插入功能进行一些基本编码,后者也进行了一些过滤.在RSS feed的编码,使用PHP的插件编码,Wordpress的编码和SQL转义之间,我不知道从哪里开始.
在我想要保留的内容之后,数据通常位于字段的末尾.它全部在一条线上,但为了便于阅读而分开:
<img src="http://feeds.feedburner.com/~ff/SoundOnTheSound?i=xFxEpT2Add0:xFbIkwGc-fk:V_sGLiPBpWU" border="0"></img>
<img src="http://feeds.feedburner.com/~ff/SoundOnTheSound?d=qj6IDK7rITs" border="0"></img>
<img src="http://feeds.feedburner.com/~ff/SoundOnTheSound?i=xFxEpT2Add0:xFbIkwGc-fk:D7DqB2pKExk"
请注意一些图像是如何逃脱的,而另一些则不是.我认为这与被切断的最后一部分有关,因此无法识别为html标记,然后导致它被html结束,而实际的img标记被单独留下.
另一个记录在其中一个字段中只有这个,这意味着RSS提要没有给我任何东西(现在过滤掉,但我有一堆这样的记录):
<img src="http://farm3.static.flickr.com/2183/2289902369_1d95bcdb85.jpg" alt="post_img" width="80"
所有提取的样本都在一行上,但为了便于阅读而分解.否则,它们将从命令行mysql客户端完全从数据库中复制.
问题:使用上述转义的html(或html标记的一部分)的最佳方法是什么,这样我就可以删除它而不影响内容？
我想删除它,因为字段末尾的图像通常是与内容无关的图像.对于进料燃烧器,进料燃烧器将其添加到进料中的每个物品中.其他时候,它们是破碎图像周围的链接.这一点不是可以轻松删除的有效html img标签.它是被破坏的标签,如果未编码将不是有效的html,这将无法使用您的标准html解析器进行解析.
[编辑]
如果只是拉动我想要的html strip_tags并重新插入数据的问题,我不会问这个问题.
我遇到问题的部分是曾经是img标签的部分是html编码的,并且结束了.如果它是deencoded它不会是一个HTML标签,所以我无法按照通常的方式解析它.
有了所有的<img src="废话,除了SELECT ID, post_content FROM table WHERE post_content LIKE '<img'至少让我发布这些帖子之外,我无法全神贯注地寻找它.但是当我获得数据时,我需要一种方法来找到它,删除它,但保留其余的内容.
[/编辑]
[编辑2]
<img src="http://farm4.static.flickr.com/3162/2735565872_b8a4e4bd17.jpg" alt="post_img" width="80" />Through the first two months of the year, the volume of cargo handled at Port of Portland terminals has increased 46 percent as the port?s marine cargo business shows signs of recovering from a dismal 2009.<div>
<a href="http://feeds.bizjournals.com/~ff/bizj_portland?a=YIs66yw13JE:_zirAnH6dt8:yIl2AUoC8zA"><img src="http://feeds.feedburner.com/~ff/bizj_portland?d=yIl2AUoC8zA" border="0"></img></a> <a href="http://feeds.bizjournals.com/~ff/bizj_portland?a=YIs66yw13JE:_zirAnH6dt8:V_sGLiPBpWU"><img src="http://feeds.feedburner.com/~ff/bizj_portland?i=YIs66yw13JE:_zirAnH6dt8:V_sGLiPBpWU" border="0"></img></a> <a href="http://feeds.bizjournals.com/~ff/bizj_portland?a=YIs66yw13JE:_zirAnH6dt8:F7zBnMyn0Lo"><img src="http://feeds.feedburner.com/~ff/bizj_portland?i=YIs66yw13JE:_zirAnH6dt8:F7zBnMyn0Lo" border="0"></img></a> <a href="http://feeds.bizjournals.com/~ff/bizj_portland?a=YIs66yw13JE:_zirAnH6dt8:qj6IDK7rITs"><img src="http://feeds.feedburner.com/~ff/bizj_portland?d=qj6IDK7rITs"
我要保留的部分:
<img src="http://farm4.static.flickr.com/3162/2735565872_b8a4e4bd17.jpg" alt="post_img" width="80" />Through the first two months of the year, the volume of cargo handled at Port of Portland terminals has increased 46 percent as the port?s marine cargo business shows signs of recovering from a dismal 2009.
重申一下:这不是关于删除有效的html img标签.这很简单.我需要能够找到具体的<img src="http://feeds.feedburner.com/~ff/bizj_portland?d=qj6IDK7rITs"img标签img标签的模式img标签或锚img锚img img img mangled image等等,但如果它确实是文章的一部分,则不能删除<img.在我评论的几十个样本中,这个错误的img标签位于该领域的最后是非常一致的.
另一个是单个损坏的图像标签.它一直是一个受损的flickr img标签,但如上所述,我不能只搜索<img它,因为它可能是内容的有效部分.
问题在于我不能简单地解码它并将其解析为HTML,因为它不是有效的html. [/编辑2]
问题已更新...
要提取所需的数据，您可以使用以下方法：
use HTML::Entities qw/decode_entities/;
my $decoded = decode_entities $raw;
if ($decoded =~ s{ (<img .+? (?:>.+?</img>|/>)) } {}x) { # grab the image
my $img = $1;
$decoded =~ s{<.+?>} {}xg; # strip complete tags
$decoded =~ s{< [^>]+? $} {}x; # strip trailing noise
print $img.$decoded;
}
使用正则表达式来解析 HTML 通常不受欢迎，但是，在这种情况下，它更多的是删除与模式匹配的段。在更大的数据集上测试正则表达式后，您应该知道可能需要调整哪些内容。
希望这可以帮助。