Usuwanie pustych atrybutów html, regex Opcje

[Strelok]

Witam, problem wygląda następująco:

W poniższym kawałku HTML chciałbym złapać wszystkie puste atrybuty attr (oznaczone na czerwono):

<img src="/test-image_1.jpg" attr="test-image_1" qwe="asd" attr>
<img src="/test-image_1.jpg" attr="test-image_1" qwe="asd" attr=>
<img src="/test-image_1.jpg" attr= "test-image_1" qwe="asd" attr="">
<img src="/test-image_1.jpg" attr= "test-image_1" qwe="asd" attr=" ">
<img attr="a attr b" src="/test-imagalte_1.jpg" attr qwe="asd" />
<img src="/test- alt image_1.jpg" attr="test-image_1" attr= "" qwe="asd" >
<img src="/test-image_1.jpg" attr = " " asd=" q" attr="test-image_1" attr qwe="asd" >

Poprzez "puste" rozumiem także atrybuty attr zawierające między cudzysłowami białe znaki.
Dodatkowo ciągi attr występujące pomiędzy cudzysłowami nie powinny zostać złapane.

Wyrażenie które mam na ten moment:
/attr(?=(?:[^"]*"[^"]*")*[^"]*\Z)/gi

https://regex101.com/r/MvpdM9/1

Ten post edytował Strelok 8.03.2018, 16:32:25

[SmokAnalog]

Powiem Ci, że będzie ciężko. Wyrażenie regularne może mieć dużo pułapek i nie używałbym go do tego celu. Najlepiej to by było znaleźć bibliotekę do parsowania drzewa DOM, która potrafi znaleźć duplikaty atrybutów. Zduplikowany atrybut już nie jest prawidłowym HTML-em.

Chodzi o jednorazowe czyszczenie czy potrzebujesz skryptu, który będzie to robił wielokrotnie?

[Pyton_000]

Użyj sobie tego: https://github.com/paquettg/php-html-parser

Znajdź wsystkie `img` potem iteruj po nich sprawdzając

if(trim($item->getAttribute('attrib')) === '')

i zapisuj.

Ten post edytował Pyton_000 9.03.2018, 08:42:58

[SmokAnalog]

Pyton, ale jest jeden problem. Te biblioteki w zależności od implementacji wyłapują tylko pierwsze lub ostatnie wystąpienie danego atrybutu, bo prawidłowy HTML i ogólnie XML nie mogą mieć powtórzonych atrybutów. Dla obu przypadków, kiedy na przykład masz taki oto znacznik:

[HTML] pobierz, plaintext 
<div attr="" attr="Misie koala" attr="">Pandy też</div>
[HTML] pobierz, plaintext 

Parser w ogóle nie dowie się, że w środku jest jakaś wartość, a raczej nie chodzi autorowi o to, żeby wyrzucać wszystkie w takim przypadku, tylko te puste.

Moim zdaniem w grę wchodzi szukanie biblioteki, która pozwoli na znalezienie wszystkich atrybutów o danej nazwie (wątpliwe czy taka biblioteka istnieje), a w ostateczności mała modyfikacja dowolnego parsera DOM. Tak, wiem - brzydko, ale co zrobić.

Od biedy można użyć parsera do wyłapania elementów (selektor CSS [attr]) i potem już zabawa z wyrażeniem regularnym. Nadal brudno, ale jednak mniejsza szansa na zepsucie całego HTML-a

Ten post edytował SmokAnalog 9.03.2018, 12:56:43

[Pyton_000]

Nie doczytałem że tam może być więcej attr w tagu.

Masz rację. DOM w php odczytuje tylko pierwszy attr.

No to pozostaje zabawa regexp.

[trzczy]

Co w tym trudnego?

https://regex101.com/r/qZ7Slx/1

[PHP] pobierz, plaintext 
\s?\battr\s*=\s*"\s*"|\s?\battr\b\s*=(?![^=<>]*")(?!\s*=)|\s?\battr\b(?![^=<>]*")(?!\s*=)
[PHP] pobierz, plaintext 

[Pyton_000]

Nic trudnego tylko nikomu się nie chciało takiego potworka pisać

[Strelok]

Co w tym trudnego?

https://regex101.com/r/qZ7Slx/1

[PHP] pobierz, plaintext 
\s?\battr\s*=\s*"\s*"|\s?\battr\b\s*=(?![^=<>]*")(?!\s*=)|\s?\battr\b(?![^=<>]*")(?!\s*=)
[PHP] pobierz, plaintext 

Dzięki, wygląda nieźle Jeszcze tylko lekko zmodyfikować pod kątem łapania apostrofów i double quotes i powinno być w porządku. Istnieje jeszcze taki rzadki przypadek gdy nazwa tagu będzie się pokrywać z szukanym atrybutem, np. <attr attr="">.

Ja napisałem coś takiego (nieco moich wymagań spełnia ):

[PHP] pobierz, plaintext 
attr(?:(?:\s*=\s*".*?"|\s*=\s*'.*?')|(?=(?:[^"']*["'][^"']*["'])*[^"']*\Z)[\s]*=?[\s]*?)
[PHP] pobierz, plaintext 

Hmm i jeszcze jeden przypadek kiedy "attr" jest fragmentem nazwy innego atrybutu z myślnikiem, np. <img attr="" attr-inny="">.

E:

powinienem jeszcze dodać, że danymi wejściowymi dla takiego regexa będzie właściwie tylko jeden tag html z zawartością, np.:
<img src="/test-image_1.jpg" attr= "test-image_1" qwe="asd" attr=" ">
albo
<attr src="/test-image_1.jpg" attr= "test-image_1" qwe="asd" attr=" ">
albo
<img src="/test-image_1.jpg" attr= "test-image_1" qwe="asd" attr-qwe=" ">

Ten post edytował Strelok 9.03.2018, 14:42:01

[SmokAnalog]

Co w tym trudnego?

https://regex101.com/r/qZ7Slx/1

[PHP] pobierz, plaintext 
\s?\battr\s*=\s*"\s*"|\s?\battr\b\s*=(?![^=<>]*")(?!\s*=)|\s?\battr\b(?![^=<>]*")(?!\s*=)
[PHP] pobierz, plaintext 

Tak kozaczysz, a Twoje wyrażenie polega na zwykłym stringu:

[HTML] pobierz, plaintext 
<div>attr</div>
[HTML] pobierz, plaintext 

Po prostu regexa się nie używa w takim celu i tyle, bo tworzy to niesamowicie nieczytelny i podatny na błędy kod (jak widać).

[Pyton_000]

Pytanie skąd taki śmietnik przychodzi...

[trzczy]

@SmokAnalog taaa...
@Strelok, najlepiej zapodaj string do przetestowania regexu. Wtedy jest mniej pytań ze strony układającego regex.

Ten post edytował trzczy 9.03.2018, 15:43:03

[Strelok]

@Strelok, najlepiej zapodaj string do przetestowania regexu. Wtedy jest mniej pytań ze strony układającego regex.

Dajmy na to tag o nazwie attr, gdzie szukane puste atrybuty to attr:

[PHP] pobierz, plaintext 
<attr  attr  src="/test-image_1.jpg" attr = " " asd=" q" attr="test-image_1.jpg" attr qwe="as-d q-q" x="attr asd" >
[PHP] pobierz, plaintext 

Ten post edytował Strelok 9.03.2018, 15:56:58

[trzczy]

Wersja z <attr akceptowalnym:

https://regex101.com/r/qZ7Slx/3

[SmokAnalog]

Nadal wyłapujesz luźny ciąg znaków attr niebędący atrybutem, więc Twój kod jest bezużyteczny.

[trzczy]

Postawiłem sobie za zadanie spełniać testy. Bezużyteczność to twoje urojenia.

[SmokAnalog]

No to dodaj prawidłowo te testy Co to w ogóle jest za odpowiedź

[trzczy]

Jeśli masz jakieś wymagania, to zapraszam do giełdy.

[SmokAnalog]

Nie no, super. Dodawaj złą odpowiedź bez uprzedzenia (bo nie przetestowałeś dokładnie) i chciej kasy za prawidłową. Twój kod ma podstawowy błąd, bo upierasz się jak zwykle przy wyrażeniach regularnych, mimo że nie masz w nich wprawy i nie wiesz kiedy należy ich unikać.

[trzczy]

Znajdź sobie więc fajniejszego kolegę. Ja oferuję regexy spełniające testy zadane przez pytającego.

[SmokAnalog]

Mam nadzieję, że jeśli pracujesz z klientami to wkładasz trochę więcej serca w pracę. Klient (lub osoba pytająca) nie ma obowiązku umieć utworzyć testów i kolega wyżej po prostu przeoczył jeden z najważniejszych przypadków, kiedy ciąg znaków "attr" występuje w roli węzła tekstowego. Jak się odpowiada na pytania, trzeba myśleć za osobę pytającą, a nie rzucać odpowiedzią jak papuga.