Regex suppression des balises html avec attribut

Version imprimable

Bonjour à tous,

Depuis quelques jours je n'arrive pas à formaliser une expression régulière permettant de supprimer toutes les balises html d'une chaîne (et leurs contenus) qui possèdent un attribut spécifique.

Ci-dessous un exemple :
Code:

1 2 3 4 5 6 7 8 9 $string='<th>col 1</th><th>col 2</th><th id="col3" my_attribute="true">col 3</th> <tr><td>x1y1</td><td>x1y2</td><td id="x1y3" my_attribute="true">x1y3</td></tr> <tr><td>x2y1</td><td>x2y2</td><td id="x2y3" my_attribute="true">x2y3</td></tr> <tr><td>x3y1</td><td>x3y2</td><td id="x3y3" my_attribute="true">x3y3</td></tr> <tr><td>x4y1</td><td>x4y2</td><td id="x4y3" my_attribute="true">x4y3</td></tr>'; $pattern='#<t[d|h].(my_attribute)^>.*?</t[d|h]>#s'; $result=preg_replace($pattern, '', $string);
Ci-dessous le résultat attendu :
Code:

1 2 3 4 5 6 $result='<th>col 1</th><th>col 2</th> <tr><td>x1y1</td><td>x1y2</td></tr> <tr><td>x2y1</td><td>x2y2</td></tr> <tr><td>x3y1</td><td>x3y2</td></tr> <tr><td>x4y1</td><td>x4y2</td></tr>';
Par avance merci pour votre aide ;)

09/02/2018, 11h25
Invité
Bonjour,

Code:

$pattern='#(<t[d|h](.|\n|\r)*my_attribute=(.|\n|\r)*<\/t[d|h]>)#Um';
- U : Ungreedy
- m : multiline
09/02/2018, 11h41
mathieu

les expressions régulières ne sont pas très pratiques pour travailler avec de l'HTML.
je vous conseille plutôt d'utiliser des fonctions d'analyse comme DOM par exemple : https://secure.php.net/DOM
09/02/2018, 12h35
jerome14000
Citation:
Envoyé par jreaux62

Bonjour,

Code:

$pattern='#(<t[d|h](.|\n|\r)*my_attribute=(.|\n|\r)*<\/t[d|h]>)#Um';

U : Ungreedy
m : multiline
Bonjour jreaux62,

Déjà merci pour ton aide ;)
J'ai testé ton expression et elle supprime l'ensemble des balises td et th. La condition(détection) de l'attribut ne fonctionne pas. As-tu une idée ?
09/02/2018, 12h37
jerome14000

Citation:

Envoyé par mathieu

les expressions régulières ne sont pas très pratiques pour travailler avec de l'HTML.
je vous conseille plutôt d'utiliser des fonctions d'analyse comme DOM par exemple : https://secure.php.net/DOM

Bonjour mathieu,

merci aussi pour ta réponse ;)
Pour mon exemple c'était plus rapide (mais pas facile ^^) de mettre en oeuvre un regex. Je m'y résoudrai s'il n'y a pas de solution.

Voilà comment procéder avec DOMDocument:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
$string='<th>col 1</th><th>col 2</th><th id="col3" my_attribute="true">col 3</th>
<tr><td>x1y1</td><td>x1y2</td><td id="x1y3" my_attribute="true">x1y3</td></tr>
<tr><td>x2y1</td><td>x2y2</td><td id="x2y3" my_attribute="true">x2y3</td></tr>
<tr><td>x3y1</td><td>x3y2</td><td id="x3y3" my_attribute="true">x3y3</td></tr>
<tr><td>x4y1</td><td>x4y2</td><td id="x4y3" my_attribute="true">x4y3</td></tr>';
 
$dom = new DOMDocument;
// on évite l'affichage d'erreurs html en les redirigeant vers le gestionnaire d'erreurs
// de libxml. On sauvegarde l'ancien état dans $state.
$state = libxml_use_internal_errors(true);
 
// on charge le document en ayant pris soin de lui ajouter un élément racine pour que l'arbre DOM
// soit construit correctement.
$dom->loadHTML('<div>' . $string . '</div>', LIBXML_HTML_NOIMPLIED);
 
// on restitue l'ancien état du gestionnaire d'erreurs de libxml
libxml_use_internal_errors($state);
 
// on crée un objet DOMXPath pour pouvoir faire des requètes XPath sur l'arbre DOM.
$xp = new DOMXPath($dom);
 
// n'importe où dans l'arbre DOM '//', tout élément '*' dont le nom est "td" ou "th", et ayant un attribut "my_attribute"'
$nodeList = $xp->query('//*[name()="td" or name()="th"][@my_attribute]');
 
// on les enlève.
foreach ($nodeList as $node) {
    $node->parentNode->removeChild($node);
}
 
// on reconstitue la chaîne html en concaténant les noeuds enfant de l'élément racine.
$result = '';
 
foreach ($dom->documentElement->childNodes as $node) {
    $result .= $dom->saveHTML($node);
}
 
echo $result;

Attention, si un élément tr contient plus d'un élément th ou td à enlever, il faudra modifier le script (juste la partie qui enlève). Je te laisse le soin de trouver comment faire.

Au passage, pourquoi les éléments th ne sont pas dans un élément tr (éléments tr qui ne sont d'ailleurs pas dans un élément table)?

09/02/2018, 22h40
CosmoKnacki

Citation:

Envoyé par jerome14000

J'ai testé ton expression et elle supprime l'ensemble des balises td et th.

C'est normal, car <t[d|h] (qui s'écrit <t[dh], le pipe perd sa signification spéciale dans une classe de caractères) chope le premier <td ou <tr qu'il rencontre, puis (.|\n|\r)*, bien que muni d'un quantificateur non-gourmand avec l'option U, continue sa course jusqu'à trouver une éventuelle sous-chaîne my_attribute=. Le problème vient du . qui peut matcher n'importe quel caractère et notamment < ou >, ce qui autorise (.|\n|\r)* à "sortir d'une balise" et à rentrer dans une autre, jusqu'à ce que l'attribut (ou une chaîne qui lui ressemble) soit trouvé.

Il faut remplacer le point par une classe de caractère qui exclut >. On peut par exemple écrire:

Code:

$pattern = '~<t([dh])\s+(?>[^\s>]+\s+)*?my_attribute=[^<]++(?:<(?!/t\1>)[^<]+)*+</t\1>~i';

Mais même si cette pattern prend la précaution de ne pas sortir de la balise avant de rencontrer l'attribut et vérifie que les balises ouvrante et fermante correspondent, ça reste très hasardeux d'attaquer du code html avec des regex. Je pourrais te sortir mille et un exemples où cette pattern serait prise en défaut, voire causerait des catastrophes. Le html est un langage très flexible et sa syntaxe est bien plus complexe qu'il n'y parait. Donc la solution, c'est le DOM.
12/02/2018, 09h55
jerome14000

Bonjour CosmoKnacki.
Merci pour tes réponses, les deux solutions fonctionnent ;)
Tu as raison sur la faillibilité du regex, autant tout de suite partir sur une solution blindé avec DOMDocument() :)

PS : Le th sans tr c'est un oubli, l'exemple ne nécessitait pas de rigueur dans le code, finalement peu importe le type de balise.