php正则表达式用于识别解码字符串中的所有HTML特殊字符

Question

我想我已经找到这个了..。但到目前为止还没有

我说的是一个正则表达式，它查看HTML编码的字符串：

blip ♦ trout’s mouth

我是否已经用&\w+;和&#[0-9]+;覆盖了所有的基础

$encoded_string = htmlspecialchars($_GET["searchterms"]);
echo "<b>Search results for submitted string: \"$encoded_string\"</b><br><br>";
$html_special_chars_pattern = "!(&\\w+;|&#[0-9]+;)!";
$non_html_tokens = preg_split( $html_special_chars_pattern, $encoded_string, -1, PREG_SPLIT_DELIM_CAPTURE );

Answer 1

你错过了&#xH; or &#XH; numeric character references。

5.3.1数字字符参考

数字字符引用指定字符在文档字符集中的代码位置。数字字符引用可以采用两种形式：

• 语法"&#D;"，其中D是十进制数，指的是ISO 10646十进制字符数D。

• The语法"&#xH;“或"&#XH;"，其中H是十六进制数字，是指&#xH 10646十六进制字符数字。数字字符引用中的十六进制数字为case-insensitive.

。

也就是说，正则表达式中的&#[xX][a-fA-F0-9]+;。

Answer 2

我在这里放了my earlier related post作为答案。如果其他人想出了更好的解决方案，或者为什么它会崩溃，请务必让我知道:)

preg_match_all('/&(?:[a-z]+|#\d+);/', $content, $matches);

也支持十六进制实体：

preg_match_all('/&(?:[a-z]+|#x?\d+);/i', $content, $matches);

顺便说一句，(?: ... )用于防止内存捕获。另请参阅：What does ? mean in this Perl regex?