[php5?] pulizia del codice html? (tidy? replace?)

[daveus]

salve amici!
vi spiego cosa dovrei fare
ho un sorgente html che proviene da un buffer salvato in una variabile; questo è un esempio

$buffer = "<a href=\"pagina.php?davide=usa\" title=\"Cosa ''' ne '''' pensate?\"> programmazione php5?'\"\" ààà </a>";

che dovrebbe essere convertito in:

$buffer = "<a href=\"pagina.php&amp;amp;davide=usa\" title=\"Cosa &amp;comesichiama;&amp;quotsingolo;&amp;quotsingolo; ne &amp;quotsingolo;&amp;quotsingolo;&amp;quotsingolo; pensate&amp;amp;\"> programmazione php5&amp;amp;'\"\" &amp;agrave;&amp;agrave;&amp;agrave; </a>";

in pratica: deve convertire le entity solo dei valori degli attributi

href="-------qui-----"
e tutto il testo fuori dai tag html
<a>--------qui--------</a>

dove sbatto la testa?

[daniele_dll]

htmlentities ^^

[daveus]

[supersaibal]Originariamente inviato da daniele_dll
htmlentities ^^ [/supersaibal]

leggere prima di rispondere?

[daniele_dll]

ehm ... ho capito ... allora devi usare delle espressioni regolari con preg_replace o preg_match_all ... e poi htmlentities o urlencode in base a quello che devi sistemare

[daveus]

[supersaibal]Originariamente inviato da daniele_dll
ehm ... ho capito ... allora devi usare delle espressioni regolari con preg_replace o preg_match_all ... e poi htmlentities o urlencode in base a quello che devi sistemare [/supersaibal]

le espressioni regolari le capisco + o -, a tentativi forse ce la faccio.. solo una cosa però
come posso vedere se

<questo......> è uguale a</questo>
?
cioè un controllo di coppie

a <div ......> deve corrispondere </div>
come se fa?

[daniele_dll]

a te non serve DD

in realtà devi fare tutt'altra cosa ...

tirare fuori con una espressione regolare tutti i tag che hanno almeno un attributo con valore e poi lanciare un'espressione su questi tag per estrarre gli attributi

un qualcosa del genere

preg_match_all('/<[a-z]+.+=.+>/i', $html, $arr);
while(list(, $element) = each($arr[0])) {
  
  $old_element = $element;
  preg_match_all('/([a-z]+)="(.+)"/i', $element, $arr_element);
  
  while(list(, $attribute) = each($arr_element[0])) {
    
    $old_attribute = $attribute;
    $attribute = trim($attribute);
    
    // fai quello che devi fare ... ma fallo su $attribute
    // dentro $attribute[1] hai il nome dell'attribute mentre dentro $attribute[2] hai il valore.
    
    $element = str_replace($old_attribute, $attribute, $element);
    
  }
  
  $html = str_replace($old_element, $element, $html);
  
}

fai attenzione ... il codice non l'ho minimamente testato ... xo dovrebbe andare

la prima espressione regolare estrae tutti i tag di apertura che contengono almeno 3 caratteri di cui quello in mezzo tra questi blocchi di caratteri sia un uguale ... (e quindi ci sta per forza un attributo ... o il tag è scritto male ) ... la seconda regexp tira fuori tutti gli attributi. Fai attenzione ... i valori devono essere racchiusi tra apici doppi altrimenti nun funzia nulla

[daveus]

[supersaibal]Originariamente inviato da daniele_dll
a te non serve DD

in realtà devi fare tutt'altra cosa ...

tirare fuori con una espressione regolare tutti i tag che hanno almeno un attributo con valore e poi lanciare un'espressione su questi tag per estrarre gli attributi

un qualcosa del genere

preg_match_all('/<[a-z]+.+=.+>/i', $html, $arr);
while(list(, $element) = each($arr[0])) {
  
  $old_element = $element;
  preg_match_all('/([a-z]+)="(.+)"/i', $element, $arr_element);
  
  while(list(, $attribute) = each($arr_element[0])) {
    
    $old_attribute = $attribute;
    $attribute = trim($attribute);
    
    // fai quello che devi fare ... ma fallo su $attribute
    // dentro $attribute[1] hai il nome dell'attribute mentre dentro $attribute[2] hai il valore.
    
    $element = str_replace($old_attribute, $attribute, $element);
    
  }
  
  $html = str_replace($old_element, $element, $html);
  
}

fai attenzione ... il codice non l'ho minimamente testato ... xo dovrebbe andare

la prima espressione regolare estrae tutti i tag di apertura che contengono almeno 3 caratteri di cui quello in mezzo tra questi blocchi di caratteri sia un uguale ... (e quindi ci sta per forza un attributo ... o il tag è scritto male ) ... la seconda regexp tira fuori tutti gli attributi. Fai attenzione ... i valori devono essere racchiusi tra apici doppi altrimenti nun funzia nulla [/supersaibal]

fosse così semplice! devo individuare tutti i tag, non solo gli attributi, altrimenti anche </a> mi viene fatto con le entities...

$buffer = "<div id=\"asd\" class=\"prova\">";
preg_match_all("/<([a-z]+)(\ [a-z]+\=\"(.*)\")*>/is",$buffer,$resarray);

guarda un po' che mi fa questo :master:

[daniele_dll]

hai provato il mio codice? ^^

tu devi individuare i tag che hanno attributi ... estrarre gli attributi e sistemarli con htmlentities ^^

[daveus]

[supersaibal]Originariamente inviato da daniele_dll
hai provato il mio codice? ^^

tu devi individuare i tag che hanno attributi ... estrarre gli attributi e sistemarli con htmlentities ^^ [/supersaibal]

si, ma non si potrebbe fare con una sola espressione regolare?
poi, il testo normale (fuori dai tag) come lo faccio?

[daniele_dll]

beh ... con una sola espressione regolare no ne hai bisogno, sempre, due

con la prima estrai i tag e con la seconda estrai gli attributi ... non credo ci siano altri sistemi

per quanto riguarda il testo che non sta tra tag ... beh ... è un po una rottura :\

potresti provare con un qualcosa del tipo

preg_match_all('/>(.+?)</si', .....)

cosi, FORSE, funziona