0

Backreferencing para usar o mesmo texto novamente no pattern e deixar outro grupo na substituição apenas.

Pode ter ficado confuso, mas o que eu quero é assim. A String é esta:

$Str = '
<p>Os <b>parágrafos</b> são as estruturas que compõe um texto e podem ser: longos, médios e curtos, 
dependendo do tipo de produção <a>textual</a>. Longos: estão mais presentes em textos científicos e acadêmicos, 
<i>os quais exigem uma</i> <strong>explicação</strong> mais complexa, com exemplos e especificações.</p>';

O objetivo é as tags strong, b, i e a serem substituídas apenas pelo conteúdo interno:

<b>Negrito</b>

Vira:

Negrito

Mas:

<b>Negrito</i>

Não pode ser mexido e permanece igual. (Isso é provável de acontecer quando tem um negrito ou itálico dentro de um link ou vice-versa)

Tentei isto:

$Str = preg_replace(
    array(
        "/<(a|b|strong|i)>(.*?)<\/\1>/si"
    ),
    array(
        "$2"
    ),
    $Str
);

E isto:

$Str = preg_replace(
    array(
        "/<(a|b|strong|i)>(.*?)<\/$1>/si"
    ),
    array(
        "$2"
    ),
    $Str
);

Mas não parecem funcionar.

1 Resposta 1

0

A princípio bastaria passar a regex e a string de substituição diretamente, sem usar array:

$Str = preg_replace('/<\b([abi]|strong)\b>(.*?)<\/\1>/', '$2', $Str);

Eu uso a classe de caracteres [abi] para determinar que pode ser qualquer uma dessas letras, ou strong, tudo cercado por \b (que é o atalho para "fronteira entre palavras", o que garante que não haverá outras letras antes ou depois do a, b, etc).

A backreference \1 garante que a tag de fechamento é a mesma da tag de abertura, já que o nome da tag está entre parênteses, o que forma um grupo de captura - e como é o primeiro par de parênteses da regex, então é o grupo 1 (por isso posso verificar se tem exatamente o mesmo conteúdo depois, usando \1).


Mas esta é uma abordagem bem "ingênua" e propensa a falhas. Em geral, manipular HTML com regex não é o ideal (veja aqui para alguns exemplos, e aqui para a "resposta definitiva" sobre o assunto).

Por exemplo, se as tags tiverem atributos (como <b id="whatever" class="algo">) a regex já terá que ser adaptada, pois da forma que está, ela aceitaria apenas <b>. Se a tag estiver dentro de comentários (<!-- <b>etc</b> -->), a regex não detecta e vai substituir do mesmo jeito (e para que ela detecte comentários, teria que adicionar algo desse tipo). Enfim, para cada variação mínima do HTML, a regex vai ficando cada vez mais complicada e começa a não valer a pena.

O ideal é usar uma lib específica para HTML. No caso do PHP, você pode usar DOMDocument:

$Str = ... // string contendo o HTML

$dom = new DOMDocument;
$dom->loadHtml($Str, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);
foreach ($xpath->query('//b | //strong | //i | //a') as $tag) { // procura b ou strong ou i ou a
    // troca a tag por um textNode contendo somente o texto
    $tag->parentNode->replaceChild($dom->createTextNode($tag->textContent), $tag);
}
// imprimir o HTML final
echo $dom->saveHTML();

Um detalhe é que se realmente tiver algo como <b>Negrito</i>, então o HTML não é válido. Se tiver tags aninhadas, o correto seria algo como <b>Negrito <i>italic <a>link</a> etc</i> blabla</b>, nunca teria uma abertura de b seguida do fechamento de i nem nada do tipo.

E DOMDocument aceita HTML inválido (vai dar alguns warnings e algumas tags serão "corrigidas" na medida do possível), mas aí você deveria tratar esse problema na origem - onde a string é gerada - para garantir que o HTML é válido, em vez de tentar consertar isso com regex, ou com qualquer outra ferramenta.

E para o caso de tags aninhadas (como um a dentro de b dentro de i, etc), a regex teria que usar preg_replace_callback com recursão (ou seja, uma complicação desnecessária a mais):

function removeTags($input) {
    $regex = '/<\b([abi]|strong)\b>(.*?)<\/\1>/';

    if (is_array($input)) { // se é o resultado de um replace anterior
        $input = $input[2]; // pega o segundo grupo (conteúdo da tag)
    }

    return preg_replace_callback($regex, 'removeTags', $input);
}

$Str = removeTags($Str);

Já com DOMDocument não precisa disso, o código apresentado anteriormente já remove tags aninhadas.

5
  • Ajuda: comecei a usar DOMDocument recentemente e estou tendo dificuldade para detectar divs que tenham divs dentro delas como primeira child e eliminá-las - pode me ajudar? Eu usei $excess_of_divs = $xpath->query("//div/div[0]"); para fazer a seleção mas não tô sabendo como eliminar somente a div que envolve alguma div como primeira child.
    – user196650
    Commented 9/07/2020 às 10:36
  • Aliás, eu deixei em array porque no meu código original eu tava fazendo diversas substituições.
    – user196650
    Commented 9/07/2020 às 10:37
  • @FelipeAlves A primeira div dentro de outra vc pega com //div/div[1] (e depois basta pegar o parentNode dela). Mas não querendo ser chato (e nem parecendo que não quero ajudar), a ideia do site é ter uma dúvida por problema específico. O problema da regex foi respondido acima, por favor diga se funcionou ou não (e caso tenha funcionado, considere marcá-la como correta - veja aqui como e porque fazê-lo. Não é obrigatório, mas é uma boa prática do site, para indicar a futuros visitantes que aquilo resolveu o problema)
    – hkotsubo
    Commented 9/07/2020 às 12:02
  • Já o problema da div é diferente do que está na pergunta, e seria o caso de fazer outra (não esquecendo de pesquisar antes, claro, pois já devem ter várias perguntas sobre xpath no site)
    – hkotsubo
    Commented 9/07/2020 às 12:03
  • @FelipeAlves Ou, dependendo do que vc quer fazer, //div/div[position()=1] - enfim, um material legal sobre o assunto é esse: developer.mozilla.org/en-US/docs/Web/XPath
    – hkotsubo
    Commented 9/07/2020 às 12:14

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