Как удалить все из html кроме определенных тегов с содержимым?

Question

[BoriHagen]

У меня есть HTML документ, из которого нужно вырезать все теги вместе с их содержимым, за исключением всех тегов, содержащих текст. Их можно передать массивом. Но strip_tags() режет только сами теги, оставляя текст. Какие есть пути решения? Пробовал писать регулярки, но в них я не особо силен, и результат далёк от идеала.

Comments

[Vladislav]

какие тебе нужно теги оставить ?

[BoriHagen]

Владислав, все, которые могут содержать текст. Я прикинул, что этих должно хватить:

$tegs = array('a', 'abbr', 'acronym', 'address', 'b', 'basefont', 'bdo', 'big', 'blink', 'blockquote', 'cite', 'del', 'dfn', 'em', 'font', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'i', 'ins', 'kbd', 'mark', 'nobr', 'p', 'plaintext', 'q', 'rp', 'rt', 'ruby', 's', 'samp', 'small', 'strike', 'strong', 'sub', 'sup', 'tt', 'u', 'var', 'wbr', 'xmp');

Да, и нужно исключить цифры. То есть сами цифры могут быть в тексте, типа <a>Я съел 5 собак</a>, но не так <a>456.234.34</a>

[dodo512]

$tags = array('a', 'abbr', 'acronym', 'address', 'b', 'basefont', 'bdo', 'big', 'blink', 'blockquote', 'cite', 'del', 'dfn', 'em', 'font', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'i', 'ins', 'kbd', 'mark', 'nobr', 'p', 'plaintext', 'q', 'rp', 'rt', 'ruby', 's', 'samp', 'small', 'strike', 'strong', 'sub', 'sup', 'tt', 'u', 'var', 'wbr', 'xmp');
$pattern = '#<('.implode('|', $tags).')\b[^>]*>[^<]*\p{L}[^<]*</\1>#iu';
preg_match_all($pattern, $html, $matches);
$result = implode($matches[0]);
var_dump($result);

BoriHagen, но для нормальной работы с деревом DOM лучше посмотреть в сторону DOMDocument или XMLReader.

$tags = array('a', 'abbr', 'acronym', 'address', 'b', 'basefont', 'bdo', 'big', 'blink', 'blockquote', 'cite', 'del', 'dfn', 'em', 'font', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'i', 'ins', 'kbd', 'mark', 'nobr', 'p', 'plaintext', 'q', 'rp', 'rt', 'ruby', 's', 'samp', 'small', 'strike', 'strong', 'sub', 'sup', 'tt', 'u', 'var', 'wbr', 'xmp');
$reader = new XMLReader();
$reader->xml($html);
$result = ''; 
while ($reader->read()) {
  if ($reader->nodeType == XMLReader::END_ELEMENT) {
    continue; //skips the rest of the code in this iteration
  }

  if(in_array($reader->name, $tags)) {
    $result .= $reader->readOuterXml();
    $reader->next();
  }
}
var_dump($result);

[BoriHagen]

dodo512, Благодарствую, помогло)

Answer 1

[Андрей Слащинин]

Есть метод описанные в комментариях на офф. сайте с описанием метод strip_tags();
Код рабочий, но как я понял он, как и strip_tags, плохо справляется с незакрытыми тегами.

function strip_tags_content($text, $tags = '', $invert = FALSE) 
{
  preg_match_all('/<(.+?)[\s]*\/?[\s]*>/si', trim($tags), $tags);
  $tags = array_unique($tags[1]);
   
  if(is_array($tags) AND count($tags) > 0) {
    if($invert == FALSE) {
      return preg_replace('@<(?!(?:'. implode('|', $tags) .')\b)(\w+)\b.*?>.*?</\1>@si', '', $text);
    }
    else {
      return preg_replace('@<('. implode('|', $tags) .')\b.*?>.*?</\1>@si', '', $text);
    }
  }
  elseif($invert == FALSE) {
    return preg_replace('@<(\w+)\b.*?>.*?</\1>@si', '', $text);
  }
  return $text;
}