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('/<!--(?>[^-]*)(?>(?!-->)-[^-]*)*-->/', '', $string);
Esta regex usa a técnica de unroll the loop (retirada deste livro), e usa vários recursos avançados para detectar um comentário (como grupos atômicos - os trechos com (?>
- para evitar o backtracking - o "vai e vem" para verificar os vários trechos da regex, que nem sempre são necessários). Ela resolve o problema do >
mencionado acima, e apesar de mais complicada, ainda sim ela é mais rápida do que usar .*?
- compare aqui e aqui). Ela também elimina os comentários e a saída é:
<p>texto</p><span>Mais texto</span>
Embora regex seja legal (eu particularmente gosto muito), eu acho a solução com DOMDocument
mais simples (já que é uma biblioteca específica para lidar com todas as particularidades da sintaxe HTML - algo que, como você pode ver, não é tão trivial com regex).
Uma regex pode até lidar com casos mais simples, mas complique um pouco mais seu HTML e o problema passa a ser mais difícil do que parecia (obviamente que, se suas strings não caem nesses casos mais complexos, usar .*?
ou qualquer outra das expressões sugeridas acima funciona sem problemas).
echo strip_tags($text, '<!-- -->');
Assim?strip_tags($texto)
vai remover todas as tags de HTML e vai deixar só o texto no lugar. Se quiser deixar alguma tag para trás use a formastrip_tags($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.