Regex игнорирует совпадения между тегами <script>

Извиняюсь, так как у меня очень мало знаний о Regex, и я даже не понимаю, что делает это регулярное выражение (я его не писал - source), кроме того, что он ищет определенный термин, чтобы он мог быть выделен.

Вот регулярное выражение:

/(\b$term|$term\b)(?!([^<]+)?>)/iu

Проблема в том, что мне нужно убедиться, что она не соответствует чему-либо между тегами <script> и </script>. Теперь я знаю, что существует множество вариантов использования тега script, но на самом деле все, что мне нужно, это игнорировать любой текст между <script и /script> с учетом возможных пробелов между script и < например < script или /script >.

Кто-нибудь может изменить его таким образом? Я буду уведомлять автора плагина, который написал этот reg-ex для включения в будущие выпуски.

Изменить: Вот функция, из которой она исходит:

function relevanssi_highlight_terms($excerpt, $query) {
    $type = get_option("relevanssi_highlight");
    if ("none" == $type) {
        return $excerpt;
    }

    switch ($type) {
        case "mark":                        // thanks to Jeff Byrnes
            $start_emp = "<mark>";
            $end_emp = "</mark>";
            break;
        case "strong":
            $start_emp = "<strong>";
            $end_emp = "</strong>";
            break;
        case "em":
            $start_emp = "<em>";
            $end_emp = "</em>";
            break;
        case "col":
            $col = get_option("relevanssi_txt_col");
            if (!$col) $col = "#ff0000";
            $start_emp = "<span style='color: $col'>";
            $end_emp = "</span>";
            break;
        case "bgcol":
            $col = get_option("relevanssi_bg_col");
            if (!$col) $col = "#ff0000";
            $start_emp = "<span style='background-color: $col'>";
            $end_emp = "</span>";
            break;
        case "css":
            $css = get_option("relevanssi_css");
            if (!$css) $css = "color: #ff0000";
            $start_emp = "<span style='$css'>";
            $end_emp = "</span>";
            break;
        case "class":
            $css = get_option("relevanssi_class");
            if (!$css) $css = "relevanssi-query-term";
            $start_emp = "<span class='$css'>";
            $end_emp = "</span>";
            break;
        default:
            return $excerpt;
    }

    $start_emp_token = "*[/";
    $end_emp_token = "\]*";

    if ( function_exists('mb_internal_encoding') )
        mb_internal_encoding("UTF-8");

    $terms = array_keys(relevanssi_tokenize($query, $remove_stopwords = true));

    $phrases = relevanssi_extract_phrases(stripslashes($query));

    $non_phrase_terms = array();
    foreach ($phrases as $phrase) {
        $phrase_terms = array_keys(relevanssi_tokenize($phrase, false));
        foreach ($terms as $term) {
            if (!in_array($term, $phrase_terms)) {
                $non_phrase_terms[] = $term;
            }
        }
        $terms = $non_phrase_terms;
        $terms[] = $phrase;
    }

    usort($terms, 'relevanssi_strlen_sort');

    get_option('relevanssi_word_boundaries', 'on') == 'on' ? $word_boundaries = true : $word_boundaries = false;
    foreach ($terms as $term) {
        $pr_term = preg_quote($term, '/');
        if ($word_boundaries) {
            $excerpt = preg_replace("/(\b$pr_term|$pr_term\b)(?!([^<]+)?>)/iu", $start_emp_token . '\\1' . $end_emp_token, $excerpt);
        }
        else {
            $excerpt = preg_replace("/($pr_term)(?!([^<]+)?>)/iu", $start_emp_token . '\\1' . $end_emp_token, $excerpt);
        }
        // thanks to http://pureform.wordpress.com/2008/01/04/matching-a-word-characters-outside-of-html-tags/
    }

    $excerpt = relevanssi_remove_nested_highlights($excerpt, $start_emp_token, $end_emp_token);

    $excerpt = str_replace($start_emp_token, $start_emp, $excerpt);
    $excerpt = str_replace($end_emp_token, $end_emp, $excerpt);
    $excerpt = str_replace($end_emp . $start_emp, "", $excerpt);
    if (function_exists('mb_ereg_replace')) {
        $pattern = $end_emp . '\s*' . $start_emp;
        $excerpt = mb_ereg_replace($pattern, " ", $excerpt);
    }

    return $excerpt;
}

Ответы

Ответ 1

Так как утверждения lookbehind должны быть исправлены по длине, вы не можете использовать их для поиска предыдущего тега <script> где-то до искомого термина.

Итак, после того, как вы замените все вхождения искомого термина, вам понадобится второй проход, чтобы вернуть обратно те вхождения измененного термина, которые, как представляется, находятся внутри тега <script>.

# provide some sample data
$excerpt = 'My name is bob!

And bob is cool.

<script type="text/javascript">
var bobby = "It works fine even if you already have tagged the term <em>bob</em> inside the script tag.";
alert(bobby);

var bob = 5;
</script>

Yeah, the word "bob" works fine.';

$start_emp_token = '<em>';
$end_emp_token = '</em>';
$pr_term = 'bob';

# replace everything (not in a tag)
$excerpt = preg_replace("/(\b$pr_term|$pr_term\b)(?!([^<]+)?>)/iu", $start_emp_token . '$1' . $end_emp_token, $excerpt);

# undo some of the replacements
$excerpt = preg_replace_callback('#(<script(?:[^>]*)>)(.*?)(</script>)#is',
                       create_function(
                         '$matches',
                         'global $start_emp_token, $end_emp_token, $pr_term;
                          return $matches[1].str_replace("$start_emp_token$pr_term$end_emp_token", "$pr_term", $matches[2]).$matches[3];'
                       ),
                       $excerpt);

var_dump($excerpt);

Приведенный выше код производит следующий вывод:

string(271) "My name is <em>bob</em>!

And <em>bob</em> is cool.

<script type="text/javascript">
var bobby = "It works fine even if you already have tagged the term <em>bob</em> inside the script tag.";
alert(bobby);

var bob = 5;
</script>

Yeah, the word "<em>bob</em>" works fine."

Ответ 2

Самый точный подход заключается в следующем:

  • Проведите анализ HTML с помощью собственного парсера HTML
  • Игнорировать строки, которые находятся в тегах <script>.

Вы не хотите использовать синтаксический анализ HTML с регулярными выражениями. Здесь объяснение почему: http://htmlparsing.com/regexes.html

В конечном итоге это огорчит вас. Пожалуйста, взгляните на остальную часть http://htmlparsing.com/ для некоторых указателей, которые могли бы начать работу.

Ответ 3

Вы упомянули в комментарии, что было бы приемлемо удалить теги script перед выполнением поиска.

$data = preg_replace('/<\s*script.*?\/script\s*>/iu', '', $data);

Этот код может помочь в этом.

Ответ 4

Джордж, воскресив этот древний вопрос, потому что у него было простое решение, которое не упоминалось. Эта ситуация прямо из моего домашнего вопроса о том, что сопоставить (или заменить) шаблон, за исключением ситуаций s1, s2, s3 и т.д.

Вы хотите изменить следующее регулярное выражение, чтобы исключить что-либо между <script> и </script>:

(\bSOMETERM|SOMETERM\b)(?!([^<]+)?>)

Пожалуйста, простите меня за $term с SOMETERM, это для ясности, потому что $ имеет специальное значение в регулярном выражении.

Со всеми отказами относительно соответствия html в regex, чтобы исключить что-либо между <script> и </script>, вы можете просто добавить это в начало своего регулярного выражения:

<script>.*?</script>(*SKIP)(*F)|

поэтому регулярное выражение становится:

<script>.*?</script>(*SKIP)(*F)|(\bSOMETERM|SOMETERM\b)(?!([^<]+)?>)

Как это работает?

Левая часть ИЛИ (т.е. |) соответствует полным тегам <script...</script>, а затем сознательно терпит неудачу. Правая сторона соответствует тому, что вы были сопоставлены раньше, и мы знаем, что это правильный материал, потому что, если бы это было между тегами script, это провалилось.

Ссылка

Как сопоставить (или заменить) шаблон, за исключением ситуаций s1, s2, s3...