如何修改正则表达式仅匹配HTML标签内的on/data-callback属性

我有一段PHP正则表达式，原本用于匹配<script>xxxx</script>内容，以及标签内的on...='xxx'、data-callback='xxx'属性：

$regex = '/(<script\b[^><]*>)(.*?)(<\/script>)|\b(on\w+|data-callback)\s*=\s*\K(?|(\')([^\'\\]*(?:(?:\\.|\'(?=[^)(]*\)))[^\'\\]*)*)\'|(&quot;)([^&quot;\\]*(?:(?:\\.|&quot;(?=[^)(]*\)))[^&quot;\\]*)*)&quot;)/ism';

但发现非<script>部分会匹配标签外的对应字符串（比如标签文本内容里的data-callback='nnn'）。当前使用该正则的代码及输出如下，期望修改后仅匹配标签内的目标属性：

<?php
$regex = '/(<script\b[^><]*>)(.*?)(<\/script>)|\b(on\w+|data-callback)\s*=\s*\K(?|(\')([^\'\\]*(?:(?:\\.|\'(?=[^)(]*\)))[^\'\\]*)*)\'|(&quot;)([^&quot;\\]*(?:(?:\\.|&quot;(?=[^)(]*\)))[^&quot;\\]*)*)&quot;)/ism';

$html="<script>yyyy</script>\n";
$html.="<a href='nnnn' onClick='yyy' ONF='yyy' data-callback='yyy'>data-callback='nnn'</a>\n";
$html.='<a href="nnn" data-callback="yyy" onClick="yyy">onkeypress=nnn onx="nnn" data-callback="nnn"</a>';

$result = preg_replace_callback($regex,
    function ($matches)  {
    
        if (isset($matches[1])) $m1 = $matches[1];                                else $m1 = "";
        if (isset($matches[2])) $m2 = $matches[2];                                else $m2 = "";
        if (isset($matches[3])) $m3 = $matches[3];                                else $m3 = "";
        if (isset($matches[4])) $m4 = $matches[4];                                else $m4 = "";
        if (isset($matches[5])) $m5 = $matches[5];                                else $m5 = "";
    
        echo "\n<LI>cp : 1[$m1] 2[$m2] 3[$m3] 4[$m4] 5[$m5]";
        
        $m0=substr($m5, 0, 1);
        if ( strcmp($m0, "'")==0 or strcmp($m0, '"')==0 ) $quote=$m0;
        else $quote="";
        
        return $m1.$m0."ZZZZ".$m0.$m3;
        return "$m1$m2=".$quote."ZZZZZ".$quote."";

    }
    , $html);
            
echo "\n\n".$result;

当前输出：

<LI>cp : 1[<script>] 2[yyyy] 3[</script>] 4[] 5[]
<LI>cp : 1[] 2[] 3[] 4[onClick] 5[']
<LI>cp : 1[] 2[] 3[] 4[ONF] 5[']
<LI>cp : 1[] 2[] 3[] 4[data-callback] 5[']
<LI>cp : 1[] 2[] 3[] 4[data-callback] 5[']
<LI>cp : 1[] 2[] 3[] 4[data-callback] 5["]
<LI>cp : 1[] 2[] 3[] 4[onClick] 5["]
<LI>cp : 1[] 2[] 3[] 4[onx] 5["]
<LI>cp : 1[] 2[] 3[] 4[data-callback] 5["]

<script>ZZZZ</script>
<a href='nnnn' onClick='ZZZZ' ONF='ZZZZ' data-callback='ZZZZ'>data-callback='ZZZZ'</a>
<a href="nnn" data-callback="ZZZZ" onClick="ZZZZ">onkeypress=nnn onx="ZZZZ" data-callback="ZZZZ"</a>

期望输出：

<script>ZZZZ</script>
<a href='nnnn' onClick='ZZZZ' ONF='ZZZZ' data-callback='ZZZZ'>data-callback='nnn'</a>
<a href="nnn" data-callback="ZZZZ" onClick="ZZZZ">onkeypress=nnn onx="nnn" data-callback="nnn"</a>

修改正则表达式中匹配on*/data-callback属性的部分，给属性名前加上正向回溯预查断言，确保它处于HTML标签的起始部分（即位于<和>之间）：

修改后的正则：

$regex = '/(<script\b[^><]*>)(.*?)(<\/script>)|(?<=<[^>]*)\b(on\w+|data-callback)\s*=\s*\K(?|(\')([^\'\\]*(?:(?:\\.|\'(?=[^)(]*\)))[^\'\\]*)*)\'|(&quot;)([^&quot;\\]*(?:(?:\\.|&quot;(?=[^)(]*\)))[^&quot;\\]*)*)&quot;)/ism';

改动说明 #

• 原正则中匹配属性名的部分是\b(on\w+|data-callback)，现在改为(?<=<[^>]*)\b(on\w+|data-callback)
• (?<=<[^>]*)是正向回溯预查，表示匹配位置的左侧必须存在<且后面跟着任意非>的字符，这就确保了属性名是在HTML标签内部（还没到标签结束的>）
• 保持其他部分不变，既保留了对script标签内容的匹配，又能精准匹配标签内的目标属性，不会误匹配标签文本中的内容

验证结果 #

运行修改后的代码，输出会符合预期：标签内的on*、data-callback属性值被替换为ZZZZ，而标签文本中的对应字符串则保持不变。

内容的提问来源于Stack Exchange，提问作者abe1432181