用PHP從XHTML中剝離微數據 - 使用RegEx？

第一：我讀過將軍;不要在像這樣的XHTML參數上使用RegEx：RegEx match open tags except XHTML self-contained tags，我確實瞭解RegEx在嵌套XHTML或XML節點上的失敗方式。用PHP從XHTML中剝離微數據 - 使用RegEx？

我不明白爲什麼單獨操縱XML的屬性應該使用RegEx來中斷。所以似乎有一些例外。屬性始終包含在以<開頭並以>結尾的單個節點中，其間任何其他<or>都會破壞XML，因此不會發生這種情況。

現在我想清除它可能包含的任何微數據的XHTML字符串。這是itemscope,itemtype,itemprop,itemid和itemref的任何屬性。類似這樣的：

... 
<body itemscope="itemscope" itemtype="http://schema.org/WebPage"> 
<div itemprop="maincontent">content</div> 
...

在PHP中這樣做的最佳方式是什麼？

來源

2011-06-19 C.O.

如果您想清除HTML中的微數據屬性，那麼HTMLPurifier或htmltidy就足夠了。都不知道html5屬性，並會刪除它們。 – mario

其實我建議：

裝入有類似的SimpleXML的字符串。
刪除您有興趣沖洗的屬性。
將其保存回字符串。

有一堆命名空間問題，我不知道你要怎麼處理，但這可能比嘗試構建一個或多個正則表達式更清晰/更快樂，並且確保你不會「不會錯過任何事情

編輯：事實證明SimpleXML不會工作（有限的修改功能），但DOM會。事情是這樣的：

$data=<<<END1 
<body itemscope="itemscope" itemtype="http://schema.org/WebPage"> 
<div itemprop="maincontent">content</div> 
</body> 
END1; 

$xml=new DOMDocument(); 
$xml->loadXML($data); 

// find every relevant node 
$xpath = new DOMXPath($xml); 
$attr = $xpath->query("//@itemscope|//@itemprop|//@itemtype"); 
foreach ($attr as $entry) { 
    $entry->parentNode->removeAttribute($entry->nodeName); 
} 
echo $xml->saveXML();

你必須修改它包括所有要刪除的屬性，就像我說我不知道它將如何處理的命名空間，但它的一個開端。

來源

2011-06-19 19:48:00 Femi

看起來不錯。還有一件事，由於微數據的原因，可以在身體中存在元標籤。我以爲我可以選擇與xpath'身體/ /元'，但不知何故它不工作...... –

上面的查詢工作屬性：我認爲你想要做/ /身體/元，但也意識到，因爲那些不是你不能使用'removeAttribute'的屬性。最簡單的方法是將標記放在單獨的xpath循環中，並使用'removeChild'來代替。我明白的 – Femi

。我確實使它成爲一個單獨的xpath循環，並使用removeChild。這是在手冊上。 '$ xml-> getElementsByTagName（「body」） - > item（0） - > getElementsByTagName（「meta」） - > length;'返回標籤的實際數量，而所有xpath版本甚至嘗試了'$ xpath->查詢（「// body」） - > length'返回'0'。我想知道我的xpath問題是什麼。嘗試使用屬性'$ xpath-> query（「// @ itemscope」） - > length;'雖然...雖然可行...... –

用PHP從XHTML中剝離微數據 - 使用RegEx？

回答

相關問題