我想通过一个标记分割一个HTML字符串，以创建一个博客预览而不显示完整的帖子。这比我第一次想到的更难。下面是问题：拼图：正确地分割一个HTML字符串
read_more()可以将 放置在字符串 的任何位置，包括嵌套在 段落标记内。例子：
<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，我已经尝试了分裂的标志字符串，但它留下无效的HTML。正则表达式也许是另一种选择。你会用什么样的策略来解决这个问题，并尽可能地做到无懈可击？任何代码片段或提示也将不胜感激（我使用PHP）。
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;
}
这条任何非HTML的READ_MORE（）标记之后，并通过汽提相应标记，同时保持前开始并且标记之后结束任何标记它减少到最小：
<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>
我现在正在测试这个，mvds。 – VirtuosiMedia 2010-08-01 01:56:40
谢谢，mvds，这个效果很好。如果我使用你的函数是否可以，如果是这样，你希望如何在代码中记入？ – VirtuosiMedia 2010-08-01 02:08:15
按照您认为合适的方式使用它，而对于学分，优先不使用它。顺便说一句，你还需要去掉'〜[^ <>] + $〜'（最后一个标签后面的所有内容），也许还有类似'〜
为什么不使用两个textareas？削减的上方和下方？应该让用户明白发生了什么事情，并消除您的头痛。
如果你做想要使用一个令牌，你应该选择一些更有特色的东西。也许：<!--full body cut-->你可以更确定一点，实际上并不是内容被误认为是令牌。
总之，如果你想拆就令牌的字符串，你只需要揣摩出你的令牌是使用strpos()然后用substr()砍掉的第一部分。喜欢的东西：
$intro = substr($text, 0, strpos($string, $token));
在此之后，运行$intro通过tidy（PHP扩展）clean up the syntax，然后去掉多余的废话它在那里补充道。 （我想你可以使用空字符串str_replace()临时演员。）
不幸的是，Tidy似乎并不是一个有效的选项，因为它可能不会在所有PHP主机上安装或启用。（该项目将分发）。但是，我不确定Tidy的可用性程度，所以如果我错了，请随时纠正我。两个textareas肯定能够解决这个问题，但我试图保持用户界面的亮度，如果可能的话，所以我想先探索其他选项。 – VirtuosiMedia 2010-08-01 01:53:18
我目前看到的唯一正确选项是在PHP中编写自己的上下文无关语法HTML解析器，它将允许您适当地关闭标记（只需通过弹出当达到阅读更多（）和每个弹出添加一个结束标签堆栈）。
这一点，但是，大量的工作，这可能会为你工作得很好：
$stripped = strip_tags($input);
list($preview) = explode("read more()", $stripped);
你失去的HTML标记，但它的死很容易实现。并且没有可能的XSS在您的头版:)
丢失HTML标记是不可选的，但谢谢您的建议。 – VirtuosiMedia 2010-08-01 01:45:56
+1关于编写解析器的第一段 - 这就是我为自己的博客所做的。它基本上从头开始经过文本，并保留当前打开的HTML标签的堆栈，然后一旦确定了要破解文本的位置，它会追加需要的任何结束标签。我的情况稍微复杂一些，因为我没有一个明确的标记来标记拆分 - 它是用Python编写的 - 但如果你愿意，我愿意分享代码。 – 2010-08-01 02:14:48
啊，没关系，我看你有更好的东西 – 2010-08-01 02:17:43
而不是使用完整的HTML，为什么不使用可以生成HTML的许多标记语言之一，但不需要关闭标签等。更容易训练用户，并且会避免接受原始HTML允许的XSS攻击的所有可能性。
PHP Markdown似乎是一个明显的适合，特别是鉴于您希望避免GNU GPL。
这是CMS的管理部分，所以我宁愿尽可能少地学习曲线。我选择了CKEditor，因为它比Markdown编辑器功能更丰富一些，它使非技术用户可以更接近Word。我正在过滤输入。还是）感谢你的建议。 – VirtuosiMedia 2010-08-01 01:59:53
因此......考虑到WordPress，Drupal，Joomla和其他一些开源CMS系统的可用性，为什么你要写另一个？只是好奇。 – 2010-08-01 10:57:44
为了回答我评论的评论，我决定让它成为答案，这样我就可以利用标记选项。
为什么不能只在结果字符串中使用trim（），找到缺少的open或close元素并进行相应的追加，使其成为有效的HTML？
只是向前和向后查找下一个打开/关闭元素，并修复您的HTML。
所以，你可以在字符串中前后移动以获得下一个<和>，如果这是一个HTML元素，那么在那里停下来，否则继续前进。
理想情况下，您应该每次提交需要处理一次，所以您不断付出代价来执行此操作。
UPDATE：
我忘了包括一个链接，以帮助strpos：
PHP整洁是一种重量很轻，高效的工具来修复无效的标记。 看看，我已经使用它并在我的应用程序中进行了基准测试，并且效果很好。 Moreoever它有很多的配置选项，以满足您的需要选择最好的，也照顾得象编码等可能出现的问题，嵌套无效标签等
请参阅参考： http://www.php.net/manual/en/tidy.cleanrepair.php
用法示例：
<?php
function tidyString($str)
{
$config = array('show-body-only' => true); /* else it adds HTML tags too */
tidy_set_encoding('utf8');
$outStr = tidy_repair_string($str,$config);
return $outStr;
}
$inStr = "<span> this is my incorrect html</spa";
echo tidyString($inStr); // Output : <span>this is my incorrect html</span>
?>
正则表达式是**不是**选项。看到这个答案另一个SO问题：http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags/1732454#1732454 – You 2010-08-01 01:30:27
为什么你不能只使用修剪（）生成的字符串，找到缺少的开放或关闭元素并追加适当的，使其有效的HTML？ – 2010-08-01 01:32:30
@你如果正则表达式不是一个选项，请随意建议另一个可能无效（X）HTML的选项。据我所知，PHP没有XML解析器，它不会在无效XML上抛出错误，并且不是GPL许可的。 – VirtuosiMedia 2010-08-01 01:37:39