Question

我有一个巨大的Wordpress XML导出。不幸的是，一些混蛋设法将代码注入到安装中并将DIV注入到内容中。现在我想清理那个烂摊子。这是它的样子：

<p>Normal Text</p>
<div style="position:absolute;top:-9660px;left:-4170px;"><a href="http://insane.link.com">Insane Linktext</a></div>
<div style="position:absolute;top:-2460px;left:-5370px;"><a href="http://insane.link.com">Another Insane Linktext</a></div>
<p>Normal good people's brains' text</p>

我考虑过使用一些正则表达式来匹配包含STYLE属性的DIV。可用的工具是Aptana或其他TextEditors和PHP服务器以及OSX终端。有什么建议吗？

谢谢，干杯！

Answer 1

我建议不要使用正则表达式，而是使用真正的XML解析器。例如，由于您使用的是OS X，因此已经安装了Ruby，您可以使用以下方法清理HTML：

require 'nokogiri'                      # Use `sudo gem install nokogiri` first
html = Nokogiri.HTML(IO.read(ARGV[0]))  # read and parse the HTML document
html.css('div[style]').remove           # destroy all <div style="...">...</div>
File.open(ARGV[1],'w'){ |f| f << html } # write the html to disk as a new file

根据评论，您首先需要安装Nokogiri。

然后，将上面保存为“clean_divs.rb”，然后键入ruby clean_divs.rb my.html my_fixed.html（其中第一个是要读取的文件的名称，第二个是要写入的文件的名称）。

如果您希望在销毁过程中更精确，可以使用XPath选择要销毁的元素，例如： html.xpath('//div[@style][a]').remove仅查找具有样式属性和<a>直接子元素的div。

Answer 2

这可能对您有所帮助：它将匹配您在上面提供的div：

<div style="[a-zA-Z0-9-:;]+"><a href="[a-z:/.]+">[a-zA-Z ]+</a></div>

但是，它只会匹配div > a > text模式，而只会匹配具有样式属性且没有其他内容的div。

您应该可以使用大多数HTML编辑器进行查找和替换（Dreamweaver和Notepad ++都允许）

Answer 3

您可以将修改后的identity transform与<div>元素的空模板一起使用，以便将其删除：

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:output method="xml" version="1.0" encoding="UTF-8" indent="yes"/>

    <!--default processing for content is to copy forward -->
    <xsl:template match="@*|node()">
        <xsl:copy>
            <xsl:apply-templates select="@*|node()"/>
        </xsl:copy>
    </xsl:template>

    <!--remove the rogue div elements -->
    <xsl:template match="div[@style]" />

</xsl:stylesheet>

如何从XML文件中删除带有样式属性的DIV标记？

3 个答案: