使用正则表达式和php匹配未关闭的html标签

Question

我使用php和regex在字符串中查找未关闭的html标签:

这是我的字符串:

$s="<div><h2>Hello world<h2><p>It's 7Am where I live<p><div>";

您可以看到此处的所有标记均未关闭.

我想找到所有未关闭的标签,但问题是我的正则表达式也匹配开始标签.

到目前为止,这是我的正则表达式

/<[^>]+>/i

这是我的preg_match_all()函数

preg_match_all("/<[^>]+>/i",$s,$v);

print_r($v);

在正则表达式中我需要更改哪些内容才能匹配未关闭的标记？

 <h2>
 <p>
 <div>

Answer 1

您可能不知道这一点,但DOMDocument可以帮助您修复HTML.

$html = "<div><h2>Hello world<h2><p>It's 7Am where I live<p><div>";
libxml_use_internal_errors(true);

$dom = new DOMDocument();
$dom->loadHTML('<root>' . $html . '</root>', LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

foreach( $xpath->query('//*[not(node())]') as $node ) {
    $node->parentNode->removeChild($node);
}
echo substr($dom->saveHTML(), 6, -8);

请参阅IDEONE演示

结果: <div><h2>Hello world</h2><p>It's 7Am where I live</p></div>

请注意,基于XPath的空节点清理是必要的,因为DOM包含空<h2></h2>,<p></p>以及<div></div>将HTML加载到DOM后的标记.

该<root>元素在一开始加入到确保我们得到根元素好吗.之后,我们可以用它进行后期处理substr.

该LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD所以没有DTD和其他垃圾没有添加到DOM标志是必要的.