PHP正则查找未被HTML标签包裹的行及HTML清理方案咨询

问题背景 #

现有500个混合HTML标记的文件，部分段落未用<p>标签包裹，仅以换行符分隔。需要匹配这些未被HTML标签包围的文本行，并找到更优的HTML处理方案。

示例文本：

<p>hello</p>
hi, world
<p>hello
world</p>
hi
, world
<p>hello <b>world</b></p>
hello</p>
<p>world

期望匹配hi, world、hi、, world这类未被标签包裹的行。

一、当前正则表达式的问题 #

原正则^(?!<.*?>).*?(?!</.*?>)$存在以下缺陷：

1. 行首检查不彻底：仅排除以标签开头的行，但无法避免行内包含标签的情况，也没限制行首不能是>。
2. 结尾断言无效：结尾的(?!</.*?>)是对非贪婪匹配.*?后的位置做断言，而非限制整行不能以闭合标签结尾。比如hello</p>这类行，.*?会提前匹配hello，正则会调整匹配范围，最终导致该行被错误捕获。
3. 未限制行内标签：没有检查整行是否包含任何HTML标签，若行内有<b>等标签，也会被错误匹配。

二、修正后的正则表达式 #

要精准匹配整行无任何HTML标签、内容非空的行，可使用以下正则：

^(?![<>])(?:(?!<\/?[^>]+>).)*\S(?:(?!<\/?[^>]+>).)*$

正则解释： #

• ^(?![<>])：行首不能是<或>，直接排除以标签开头/结尾的行。
• (?:(?!<\/?[^>]+>).)*：匹配任意字符，但每匹配一个字符前，都会断言当前位置后不是开始标签（<xxx>）或闭合标签（</xxx>），确保整行无任何HTML标签。
• \S：确保行内有非空白内容，排除空行。

测试示例后，该正则会准确匹配hi, world、hi、, world这三行，符合需求。

三、PHP中更优的HTML清理方案 #

正则处理HTML容易出现边缘问题（如嵌套标签、特殊字符），更可靠的方案是使用PHP原生的DOMDocument和DOMXPath处理：

示例代码： #

// 读取目标HTML文件
$htmlContent = file_get_contents('source.html');
// 添加根节点，避免DOM解析异常
$wrappedHtml = '<div>' . $htmlContent . '</div>';

$dom = new DOMDocument();
// 忽略HTML解析警告
libxml_use_internal_errors(true);
$dom->loadHTML($wrappedHtml, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
// 定位所有未被<p>包裹的非空白文本节点
$targetNodes = $xpath->query('//text()[not(ancestor::p) and normalize-space(.) != ""]');

foreach ($targetNodes as $node) {
    $parent = $node->parentNode;
    $newP = $dom->createElement('p');
    
    // 合并连续的文本节点，避免拆分段落
    while ($node && $node->nodeType === XML_TEXT_NODE && normalize-space($node->textContent) !== "") {
        $nextNode = $node->nextSibling;
        $newP->appendChild($node);
        $node = $nextNode;
    }
    
    $parent->insertBefore($newP, $node);
}

// 移除临时根节点，输出处理后的HTML
$processedHtml = str_replace(['<div>', '</div>'], '', $dom->saveHTML());
// 保存到目标文件
file_put_contents('processed.html', $processedHtml);

方案优势： #

1. 精准解析结构：DOM能正确识别HTML的嵌套关系，避免正则无法处理的复杂标签场景。
2. 自动合并段落：将连续的未包裹文本节点合并为一个<p>标签，符合HTML规范。
3. 鲁棒性强：能处理各种边缘情况，如标签内的特殊字符、不闭合标签等。

内容的提问来源于stack exchange，提问作者StackOverflowNewbie