php - 查找 HTML 中最里面的文本

Question

PHP 中用于查找 HTML 字符串最内部文本的正则表达式是什么？ HTML 元素的树只有一个叶子，并且只能有一系列分支。

结果为 XXX 的示例(这不是带有换行符的单个字符串；正则表达式将每行执行):

<a>XXX</a>
<a some-attr="bla" some-attr2="bla2"><b>XXX</b></a>
<a>   bla   <b>XXX</b></a>

这不需要假设:

<a>XXX</a><a>XXX</a>
<a><</a>
<a>></a>

我认为应该类似于 >(.*?)<但前面和后面的所有字符都必须被忽略。

---

更新以允许 Wiktor Stribiżew 的增强答案:
另一项任务是用另一个字符串替换找到的字符串。这可能会导致另一种模式，因为它只是查找并获取最里面的字符串 - 不确定。

Answer 1

您似乎知道在 HTML 中使用正则表达式时可能会遇到的问题，因此请将正则表达式答案作为学习练习，并在生产中使用 DOM 解析如果您必须将其与任意 HTML 代码一起使用.

恕我直言，如果您知道自己在做什么，也就是说，您可以完全控制生成的 HTML 并且您知道所有 <被序列化为 HTML 实体，并且所有标签均由字母数字/下划线字符组成，您可以为此使用正则表达式:

$html = <<<DATA
<a>XXX</a>
<a some-attr="bla" some-attr2="bla2"><b>XXX</b></a>
<a>   bla   <b>XXX</b></a>
DATA;
echo preg_replace('~(<(\w+)[^<]*?>)[^<]*(<\/\2>)~', '$1YYY$3', $html);

请参阅PHP demo和一个regex demo .

结果是标签内没有标签的所有文本都会替换为 YYY :

<a>YYY</a>
<a some-attr="bla" some-attr2="bla2"><b>YYY</b></a>
<a>   bla   <b>YYY</b></a>

详细信息:

• (<(\w+)[^<]*?>) - 第 1 组捕获 < ，然后捕获到第 2 组(我们能够在结束标记中匹配相同标记名称的技术组)1 个或多个单词字符，然后捕获除 < 之外的任何 0+ 个字符尽可能少(使用否定字符类 [^<] 和惰性量词 *? )
• [^<]* - 文本内容:< 之外的零个或多个字符，尽可能多
• (<\/\2>) - 第 3 组:< , / ，与组 2 中相同的文本(标签名称)和 > .

在替换中，我们只使用 $1和$3对组 1 和组 3 的反向引用以将捕获的文本重新插入到这些组中，并添加 YYY替换文本。