PHP中含无效标签文本的前瞻匹配为何失效？求有效解决方案

问题根源分析 #

• 初始正则~(?<=<[^>]>)([a-z]+)~im的缺陷：仅检查目标单词前有一个开标签，完全不验证闭合标签是否与开标签匹配，导致<i>toyota</u>这种标签不匹配的内容也被错误捕获。
• 修改后正则~(?<=<[^>]>)([a-z]+)</\1>~im失效原因：后瞻断言(?<=<[^>]>)未捕获标签名称，\1无对应引用值；即使补充捕获，后瞻内的捕获组引用在部分PHP版本中存在兼容性问题，且写法冗余。

有效解决方案 #

正则表达式设计 #

使用直接匹配完整有效标签对的正则，同时捕获标签内的单词：

~<([a-z]+)>([a-z]+)</\1>~im

• <([a-z]+)>：匹配开标签并捕获标签名称至捕获组1
• ([a-z]+)：捕获标签内的目标单词至捕获组2
• </\1>：匹配与捕获组1标签名称一致的闭合标签，确保标签对有效

PHP代码示例 #

$subject = '<b>nissan</b> mazda dv <b>kia</b> <i>toyota</u> lorem';
preg_match_all('~<([a-z]+)>([a-z]+)</\1>~im', $subject, $matches);

// 提取所有有效标签内的单词
$validWords = $matches[2];
print_r($validWords);

执行后输出：

Array
(
    [0] => nissan
    [1] => kia
)

拓展优化（支持标签内空白） #

如果标签内单词前后可能存在空白字符，可调整正则以兼容：

~<([a-z]+)>\s*([a-z]+)\s*</\1>~im

添加\s*匹配单词前后的任意空白（空格、换行等）。

内容的提问来源于stack exchange，提问作者mstdmstd