Как я могу удалить неиспользуемые, вложенные теги HTML span с помощью регулярного выражения Perl?

Я пытаюсь удалить неиспользуемые промежутки (т.е. те, у кого нет атрибута) из файлов HTML, уже очистив все атрибуты, которые я не хотел с другими регулярными выражениями.

У меня возникла проблема с тем, что мое регулярное выражение не выбрало правильную пару начальных и конечных тегов для удаления.

my $a = 'a <span>b <span style="color:red;">c</span> d</span>e';
$a =~ s/<span\s*>(.*?)<\/span>/$1/g;
print "$a\

возвращает

a b <span style="color:red;">c d</span>e

но я хочу, чтобы он вернул

a b <span style="color:red;">c</span> de

Помогите оценить.

Ответ 1

Попробуйте HTML::Parser:

#!/usr/bin/perl

use strict;
use warnings;

use HTML::Parser;

my @print_span;
my $p = HTML::Parser->new(
  start_h   => [ sub {
    my ($text, $name, $attr) = @_;
    if ( $name eq 'span' ) {
      my $print_tag = %$attr;
      push @print_span, $print_tag;
      return if !$print_tag;
    }
    print $text;
  }, 'text,tagname,attr'],
  end_h => [ sub {
    my ($text, $name) = @_;
    if ( $name eq 'span' ) {
      return if !pop @print_span;
    }
    print $text;
  }, 'text,tagname'],
  default_h => [ sub { print shift }, 'text'],
);
$p->parse_file(\*DATA) or die "Err: $!";
$p->eof;

__END__
<html>
<head>
<title>This is a title</title>
</head>
<body>
<h1>This is a header</h1>
a <span>b <span style="color:red;">c</span> d</span>e
</body>
</html>

Ответ 2

Regex недостаточно эффективен для анализа HTML (или XML). Любое регулярное выражение, которое вы можете придумать, не будет соответствовать различным формулировкам даже правильного HTML (не говоря уже о супе с реальным тегом).

Это проблема с вложением. Regex обычно не может обрабатывать вложенность вообще, но Perl имеет нестандартное расширение для поддержки рекурсии регулярных выражений: (? N), где n - это номер группы, в которую нужно выполнить рекурсию. Таким образом, что-то вроде этого будет соответствовать обоим длинам в вашем примере:

(<span[^>]*>.*+(?1)?.*+<\/span>)

См. perlfaq 6.11.

К сожалению, этого все еще недостаточно, потому что он должен уметь подсчитывать как атрибутные, так и неатрибутные теги начала, позволяя концевому тегу </span> закрыть один из них. Я не могу придумать, как это можно сделать, не сравнивая атрибуты span start-tags.

Для этого нужен синтаксический анализатор HTML, и вы все равно должны его использовать, поскольку регулярное выражение для HTML/XML является явно неправильной.

Ответ 3

Не используйте регулярные выражения для обработки (HTML ==) XML. Вы никогда не знаете, какой вклад вы получите. Рассмотрим этот, действительный HTML:

a <span>b <span style="color:red;" title="being closed with </span>">c</span> de

Вы бы подумали об этом?

Вместо этого используйте XML-процессор.

Также см. связанные вопросы (справа) для вашего вопроса.

Ответ 4

При всей вашей помощи я опубликовал script, который делает все, что мне нужно.

http://github.com/timabell/decrufter/