PHP使用preg_replace_callback清理Word XML变量间空标签

我太懂这种痛苦了！Word的XML格式真的会把简单的变量拆得七零八落——一会儿在字符间插空<w:r>节点，一会儿把一个完整的${variablename}拆成好几个<w:t>标签，直接用正则根本抓不到完整的变量。我之前处理过类似的需求，下面是一套经过验证的完善方案：

Word为了处理格式细节，经常会把连续文本拆分散布在多个<w:t>标签里，还会插入一堆空的XML节点。我们先用DOMDocument来清理这些冗余内容，把变量的字符尽量合并成连续的文本：

$dom = new DOMDocument();
libxml_use_internal_errors(true); // 忽略Word XML的格式警告（毕竟Word生成的XML经常不那么标准）
$dom->loadXML($xml);
libxml_clear_errors();

$xpath = new DOMXPath($dom);

// 1. 清理空的<w:t>节点，以及空的<w:r>父节点
foreach ($xpath->query('//w:t[normalize-space(.)=""]') as $emptyTextNode) {
    $parentRun = $emptyTextNode->parentNode;
    $emptyTextNode->parentNode->removeChild($emptyTextNode);
    
    // 如果父节点<w:r>现在没有子节点了，直接删掉这个空段落
    if ($parentRun->childNodes->length === 0) {
        $parentRun->parentNode->removeChild($parentRun);
    }
}

// 2. 合并同一段落内连续的文本节点
foreach ($xpath->query('//w:p') as $paragraph) {
    $combinedText = '';
    $nodesToReplace = [];
    
    // 遍历段落内的所有<w:r>节点，收集文本
    foreach ($paragraph->childNodes as $node) {
        if ($node->nodeName === 'w:r') {
            $textNodes = $xpath->query('./w:t', $node);
            if ($textNodes->length > 0) {
                $combinedText .= $textNodes->item(0)->nodeValue;
                $nodesToReplace[] = $node;
            }
        }
    }
    
    // 如果收集到了合并后的文本，替换掉原来的分散节点
    if (!empty($combinedText) && count($nodesToReplace) > 0) {
        $newRun = $dom->createElement('w:r');
        $newText = $dom->createElement('w:t', $combinedText);
        $newRun->appendChild($newText);
        
        // 插入新节点到第一个要替换的节点位置
        $nodesToReplace[0]->parentNode->insertBefore($newRun, $nodesToReplace[0]);
        
        // 删除原来的分散节点
        foreach ($nodesToReplace as $oldNode) {
            $oldNode->parentNode->removeChild($oldNode);
        }
    }
}

// 把处理后的DOM转回XML字符串
$cleanedXml = $dom->saveXML();

现在XML里的变量已经是连续的${variablename}格式了，就可以用preg_replace_callback来完成替换：

// 假设用户输入的变量存在这个数组里
$userVariables = [
    'name' => 'John',
    'email' => 'john@example.com',
    'age' => '30'
];

$finalXml = preg_replace_callback(
    '/\$\{([a-zA-Z0-9_]+)\}/', // 匹配变量名，支持字母、数字和下划线
    function($matches) use ($userVariables) {
        $varName = $matches[1];
        // 如果变量存在就替换，否则保留原变量格式
        return isset($userVariables[$varName]) ? $userVariables[$varName] : $matches[0];
    },
    $cleanedXml
);

有时候Word会把$这类字符转成HTML实体（比如$），导致正则匹配失败。可以在清理XML之前先把实体转成普通字符：

// 转义HTML实体，确保$、{、}都是普通字符
$xml = html_entity_decode($xml, ENT_QUOTES, 'UTF-8');

XML的结构太灵活了，纯正则很容易误匹配到XML属性里的${xxx}（比如某个标签的属性值刚好包含类似格式的内容）。用DOMDocument处理可以确保我们只操作文本节点里的内容，安全性和可靠性都更高。

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