搜索和替换HTML中的单词

Question

我想做的是做一个“行话终结者”。基本上，我在数据库中有一些html和一些术语表术语。当用户点击jargon buster时，它会用一个很好的工具提示(wztooltip)来替换文本中的单词，以显示它们的含义。

我在这个问题上一直很努力，也一直在认真研究这个问题Regex / DOMDocument - match and replace text not in a link

似乎答案就在simple_html_dom库中，但我在让它工作时遇到了麻烦。显然，任何已经链接的单词都不会被触动。这是我手头上所有东西的一小部分。

$html = str_get_html($article['content']);

$query_glossary = "SELECT word,glossary_term_id,info FROM glossary_terms WHERE status = 1  ORDER BY LENGTH(word) DESC";
$result_glossary = mysql_query_run($query_glossary);

while($glossary = mysql_fetch_array($result_glossary)) {
    $glossary_link = SITEURL.'/glossary/term/'.string_to_url($glossary['word']).'-'.$glossary['glossary_term_id'];
    if(strlen($glossary['info'])>400) {
        $glossary_info = substr(strip_tags($glossary['info']),0,350).' ...<br /> <a href="'.$glossary_link.'">Read More</a>';
    }
    else {
        $glossary_info = $glossary['info'];
    }
    $glossary_tip = 'href="javascript:;" onmouseout="UnTip();" class="article_jargon_highligher" onmouseover="'.tooltip_javascript('<a href="'.$glossary_link.'">'.$glossary['word'].'</a>',$glossary_info,400,1,0,1).'"';
    $glossary_word = $glossary['word'];
    $glossary_word = preg_quote($glossary_word,'/');

    //once done we can replace the words with a nice tip    
    foreach ($html->find('text') as $element) {
        if (!in_array($element->parent()->tag,array())) {
            //problems are case aren't taken into account and grammer
            $element->innertext = str_ireplace(''.$glossary['word'].' ',' <a '.$glossary_tip.' >'.$glossary['word'].'</a> ', $element->innertext);

           //$element->innertext = str_ireplace(''.$glossary['word'].',',' <a '.$glossary_tip.'>'.$glossary['word'].'</a> ', $element->innertext);
           //$element->innertext = preg_replace ("/\s(".$glossary_word.")\s/ise","nothing(' <a'.'$glossary_tip.'>'.'$1'.'</a> ')" , $element->innertext);
          // $element->innertext = str_replace('__glossary_tip_replace__',$glossary_tip, $element->innertext);
        }
    }
}
$article['content'] = $html->save();

Answer 1

使用inverted word character \W为正则表达式模式中除数字和字母以外的任何字符进行选择。因为这仍然会在文本blob的边界处失败，所以您还需要测试这些条件。因此使用单词'term‘作为您要搜索的文本：

(^term$)|(^term\W)|(\Wterm\W)|(\Wterm$)

第一个条件检查以确保术语不是blob的唯一内容，第二个条件检查它是否是第一个单词，第三个条件检查它是否包含在blob中，最后一个条件检查它是否是最后一个单词。

如果您希望将任何其他字符视为单词字符(例如连字符)，则需要使用[^\w\-]重新调整\W的步调。

希望这能有所帮助。可能还有一些优化也可以执行，但这至少应该是一个很好的起点。

Answer 2

假设您的所有术语表“单词”都由标准的“单词”字符组成(即[A-Za-z0-9_])，那么在正则表达式模式中，可以在单词之前和之后放置一个简单的单词边界断言。尝试将相关语句替换为以下语句：

$element->innertext = preg_replace(
    '/\b'. $glossary_word .'\b/i',
    '<a '. $glossary_tip .' >'. $glossary['word'] .'</a>',
    $element->innertext);

这里假设$glossary_word已经通过preg_quote运行(您的代码就是这么做的)。

但是，如果术语表单词可能包含其他非标准单词字符(如'-'破折号)，则可以制定一个更复杂的正则表达式，该正则表达式结合了前视和后视，以确保只匹配整个单词。例如：

$re_pattern = "/         # Match a glossary whole word.
    (?<=[\s'\"]|^)       # Word preceded by whitespace, quote or BOS.
    {$glossary_word}     # Word to be matched.
    (?=[\s'\".?!,;:]|$)  # Word followed by ws, quote, punct or EOS.
    /ix";

Answer 3

我在JS获取单个单词时遇到了这个问题。我所做的如下所示(您可以将其从JS转换为PHP)：

它对我来说真的很好用。:)

var words = document.body.innerHTML;

// FIRST PASS

// remove scripts
words = words.replace(/<script[\s\S]*?>[\s\S]*?<\/script>/gi, '');
// remove CSS
words = words.replace(/<style[\s\S]*?>[\s\S]*?<\/style>/gi, '');
// remove comments
words = words.replace(/<!--[\s\S]*?-->/g, '');
// remove html character entities
words = words.replace(/&.*?;/g, ' ');
// remove all HTML
words = words.replace(/<[\s\S]*?>/g, '');

// SECOND PASS

// remove all newlines
words = words.replace(/\n/g, ' ');
// replace multiple spaces with 1 space
words = words.replace(/\s{2,}/g, ' ');

// split each word
words = words.split(/[^a-z-']+/gi);