Question

我有一个大型html文本数据集，我经常在<br>标记中找到不必要的，有时多个<li>换行符。

例如：

<li>Some string here<br></li><br><li>Another string here<br><br></li><br>

我想删除<br>和<li>之间显示的</li>，但保留其他所有内容，包括<br>代码之外的<li>。上面的文字将成为：

<li>Some string here</li><br><li>Another string here</li><br>

使用php中的preg_replace（）（或python中的re.sub（））执行此操作的正则表达式是什么？

Answer 1

使用PHP Simple HTML DOM Parser可以轻松实现这一点（就像jQuery一样）

include('simple_html_dom.php');
$html = str_get_html('<li>Some string here<br></li><br><li>Another string here<br><br></li><br>');
foreach($html->find('li br') as $br){
    $br->outertext='';
}
echo $html;

输出

<li>Some string here</li><br>
<li>Another string here</li><br>

Answer 2

将(<br>)+</li>替换为</li>至少会在li内容的末尾处理换行符，这对您来说可能已经足够了。否则，由于<li> s有时包含其他<li> s，你可能面临一项非常困难的任务，用regexp无法轻易解决（也许根本不能单独用regexp解决），请参阅this question的已接受答案。

使用php（或python）</li>删除<li>标签之间的html换行符

2 个答案: