3

O meu cliente costuma fazer copy/paste de fornecedores de notícias que contêm comentários HTML.

Ou seja, no HTML não faz mal e ao inserir eles não aparecem no editor de texto mas porém eu uso o PHP mailer que acaba por enviar esse texto e deixa visível esses comentários.

Indico abaixo um exemplo:

<!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1; mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-... -->

O que posso fazer para que, antes de inserir na base de dados, ele remova esta tag?

4
  • @MagicHat Mas como é que defino aquela tag? echo strip_tags($text, '<!-- -->'); Assim? 10/05/2019 às 19:40
  • Sei lá mano, foi só uma sugestão, faz uns testes... Achei que essa função serviria,olha o nome dela... Qui a pouco aparece alguém com preg_match, também....
    – MagicHat
    10/05/2019 às 19:46
  • O strip_tags($texto) vai remover todas as tags de HTML e vai deixar só o texto no lugar. Se quiser deixar alguma tag para trás use a forma strip_tags($texto,"[<tag>]+") onde [<tag>]+ significa a transcrição literal uma ou mais tags que queira deixar passar. Agora se precisar fazer uma busca do texto e apagar o que estiver com tag a resposta do @Sam é o se deve fazer. 10/05/2019 às 20:01

2 Respostas 2

6

Por que não usa um preg_replace?

<?
$string = 'a<!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1;
 mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-
 ... -->b<!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1;
  mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-... -->';
$string = preg_replace('/<!--.*?-->/s', '', $string);
echo $string; // imprime: ab
?>

O padrão da expressão regular /<!--.*?-->/s irá buscar tudo que estiver entre os sinais <!-- e --> (inclusive os sinais) e remover da string.

Note no exemplo acima que só existe uma letra "a" e um "b" fora dos blocos de comentário. Logo, ao fazer o replace, só restarão essas duas letras na string.

Teste no IDEONE

2
  • Usei o seu método mas por alguma razão. Isolei o comentário do html e ele eliminou mas ao usar o texto todo ele deixa de funcionar. 10/05/2019 às 20:13
  • Eu fiz uma alteração recente na regex: /<!--.*?-->/s... veja se vc colocou exatamente dessa forma.
    – Sam
    10/05/2019 às 20:15
2

Conforme já comentado, uma opção é usar strip_tags, pois ela removerá os comentários HTML da string:

$string = '<p>texto</p><!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1;
 mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-
 ... --><span>Mais texto</span><!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1;
  mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-... -->';
echo strip_tags($string);

O detalhe é que esta função remove todas as tags HTML, deixando somente o texto:

textoMais texto

Mas você pode passar uma lista das tags que devem ser mantidas. Por exemplo:

// manter as tags <p> e <span>
echo strip_tags($string, "<p><span>");

Saída:

<p>texto</p><span>Mais texto</span>

Mas se a sua string tiver muitas tags HTML, pode ser meio tedioso passar a lista de todas as tags válidas para strip_tags. Então outra opção é usar DOMDocument:

$dom = new DOMDocument;
$dom->loadHtml($string);
$xpath = new DOMXPath($dom);
// remover os comentários
foreach ($xpath->query('//comment()') as $comment) {
    $comment->parentNode->removeChild($comment);
}

// obter o body do documento (agora sem comentários) como uma string
$newString = "";
$body = $dom->getElementsByTagName('body')->item(0);
$children  = $body->childNodes;
foreach ($children as $child) { 
    $newString .= $dom->saveHTML($child);
}
echo $newString;

Saída:

<p>texto</p>
<span>Mais texto</span>

Regex

Se quer mesmo usar regex, pode usar:

echo preg_replace('/<!--[^>]*-->/', '', $string);

Diferenças com relação à outra resposta (que também está correta):

O .*? indica que a regex vai pegar zero ou mais ocorrências de qualquer caractere. Graças à opção s usada na outra resposta, o ponto corresponde inclusive a quebras de linha (por default ele não tem esse comportamento), e o ? indica que a regex tenta pegar o mínimo possível de caracteres (isso evita que o ponto acabe pegando um fechamento de comentários "sem querer", já que o ponto corresponde a qualquer caractere, e se a regex achar necessário, ela pode pegar -->).

Já eu usei [^>]*: zero ou mais ocorrências de qualquer caractere que não seja >. Isso faz com que a regex seja um pouquinho mais rápida (já que .*?, apesar de ser muito conveniente e funcionar, tem o seu preço: como o ponto corresponde a qualquer caractere, a regex precisa ficar indo e voltando várias vezes na string verificando e testando se precisa consumir mais caracteres que a satisfaçam). Veja que a versão com .*? precisa de 9 a 10 vezes mais passos para executar do que a versão com [^>]*.

Obviamente, para poucas execuções e strings pequenas, a diferença será irrelevante (talvez só faça diferença para processamentos muito extensos e strings bem grandes). E mesmo a quantidade de passos pode variar, já que cada linguagem e engine possui otimizações internas distintas (mas em geral, dizer exatamente o que você quer - e o que não quer - geralmente faz a regex ser mais rápida do que usar .*).


Só há um porém: se dentro dos comentários tiver um > (mas que não seja o fechamento do comentário), a regex acima não funciona (veja). Nesse caso, pode continuar usando .*? mesmo (veja). Ou, se quiser usar algo realmente complicado:

$string = '<p>texto</p><!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1; mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable;> ESSE CARACTERE AQUI QUEBRA TUDOmso-font-signature:0 0 0 0 0 0;} @font-face {font- ... --><span>Mais texto</span><!-- /* Font Definitions */ @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:1;  mso-generic-font-family:roman; mso-font-format:other; mso-font-pitch:variable; mso-font-signature:0 0 0 0 0 0;} @font-face {font-... -->';
echo preg_replace('/<!--(?>[^-]*)(?>(?!-->)-[^-]*)*-->/', '', $string);

Esta regex usa a técnica de unroll the loop (retirada deste livro), e usa vários recursos avançados para detectar um comentário (como grupos atômicos - os trechos com (?> - para evitar o backtracking - o "vai e vem" para verificar os vários trechos da regex, que nem sempre são necessários). Ela resolve o problema do > mencionado acima, e apesar de mais complicada, ainda sim ela é mais rápida do que usar .*? - compare aqui e aqui). Ela também elimina os comentários e a saída é:

<p>texto</p><span>Mais texto</span>

Embora regex seja legal (eu particularmente gosto muito), eu acho a solução com DOMDocument mais simples (já que é uma biblioteca específica para lidar com todas as particularidades da sintaxe HTML - algo que, como você pode ver, não é tão trivial com regex).

Uma regex pode até lidar com casos mais simples, mas complique um pouco mais seu HTML e o problema passa a ser mais difícil do que parecia (obviamente que, se suas strings não caem nesses casos mais complexos, usar .*? ou qualquer outra das expressões sugeridas acima funciona sem problemas).

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .