cómo eliminar una etiqueta y su contenido utilizando la expresión regular?

Question

$ str = 'texto tag contenido más texto';

Mis preguntas son: ¿Cómo recuperar el contenido tag <em>contents </em> que se encuentra entre <MY_TAG> .. </MY_TAG>?

Y

¿Cómo eliminar <MY_TAG> y su contenido de $str?

Estoy usando PHP.

Gracias.

Answer 1

Si MY_TAG no se pueden anidar, pruebe esto para conseguir los partidos:

preg_match_all('/<MY_TAG>(.*?)<\/MY_TAG>/s', $str, $matches) 

Y para eliminarlos, utilice preg_replace lugar.

Answer 2

Aunque la única manera totalmente correcta de hacerlo es no utilizar expresiones regulares, puede obtener lo que desea si se acepta que no manejará todos los casos especiales:

preg_match("/<em[^>]*?>.*?</em>/i", $str, $match); 
// Use this only if you aren't worried about nested tags. 
// It will handle tags with attributes 

Y

preg_replace(""/<MY_TAG[^>]*?>.*?</MY_TAG>/i", "", $str); 

Answer 3

No desea usar expresiones regulares para esto. Una solución mucho mejor sería para cargar sus contenidos en un DOMDocument y trabajar en él utilizando el árbol DOM y métodos DOM estándar:

$document = new DOMDocument(); 
$document->loadXML('<root/>'); 
$document->documentElement->appendChild(
    $document->createFragment($myTextWithTags)); 

$MY_TAGs = $document->getElementsByTagName('MY_TAG'); 
foreach($MY_TAGs as $MY_TAG) 
{ 
    $xmlContent = $document->saveXML($MY_TAG); 
    /* work on $xmlContent here */ 

    /* as a further example: */ 
    $ems = $MY_TAG->getElementsByTagName('em'); 
    foreach($ems as $em) 
    { 
     $emphazisedText = $em->nodeValue; 
     /* do your operations here */ 
    } 
} 

Answer 4

Para la eliminación Acabé usando esto:

$str = preg_replace('~<MY_TAG(.*?)</MY_TAG>~Usi', "", $str); 

Uso ~ en lugar de/para el delimitador, se lanzaron errores solucionados debido a la barra invertida en la etiqueta final, lo que parecía ser un problema incluso con el escape. Eliminar> de la etiqueta de apertura permite atributos u otros caracteres y aún así recibe la etiqueta y todos sus contenidos.

Esto solo funciona cuando la anidación no es una preocupación.

Los modificadores Usi significan U = Ungreedy, s = incluyen caracteres linebreak, i = case insensitive.