拼图:正确拆分HTML字符串

Question

我正在尝试通过令牌拆分HTML字符串,以便创建博客预览而不显示完整的帖子.这比我初想的要难一点.以下是问题:

• 用户将通过WYSIWYG编辑器(CKEditor)创建HTML.标记不保证是漂亮的或一致的.
• 令牌read_more()可以放在字符串中的任何位置,包括嵌套在段落标记中.
• 对于令牌的所有合理使用,生成的第一个拆分字符串必须是有效的HTML.

可能的用途示例:

<p>Some text here. read_more()</p>

<p>Some text read more() here.</p>

<p>read_more()</p>

<p>  read_more()</p>

read_more()

到目前为止,我已尝试在令牌上拆分字符串,但它会留下无效的HTML.正则表达式可能是另一种选择.您将采用什么策略来解决这个问题并使其尽可能防弹？任何代码片段或提示也将受到赞赏(我正在使用PHP).

Answer 1

function stripmore($in)
{
    list($p1,$p2) = explode("read_more()",$in,2);

    $pass1 = preg_replace("~>[^<>]+<~","><",$p2);
    $pass2 = preg_replace("~^[^<>]+~","",$pass1);

    $pass3 = null;
    while ( $pass3 != $pass2 )
    {
        if ( $pass3 !== null ) $pass2 = $pass3;
        $pass3 = preg_replace("~<([^<>]+)></\\1>~","",$pass2);
    }

    return $p1."read_more()".$pass3;
}

这会剥离 read_more() 标记之后的所有非 html，并通过剥离相应的标记将其减少到最低限度，同时保持标记之前开始和之后结束的任何标记：

<p>Some text here. read_more()</p>
      ==> <p>Some text here. read_more()</p>

<p>Some <b>text</b> read_more() <b>here</b>.</p>
      ==> <p>Some <b>text</b> read_more()</p>

<p>Some <b>text read_more() here</b>.</p>
      ==> <p>Some <b>text read_more()</b></p>