请帮助在PHP中解析简单的html字符串（PHP regexp）。我需要从html代码中删除html-js事件。我对php正则表达式非常了解。
代码示例：
<button onclick="..javascript instruction..">
结果：<button>
<button onclick="..javascript instruction.." value="..">
结果：<button value="..">
<button onclick=..javascript instruction..>
结果：<button>
<button onclick=..javascript instruction.. value>
结果：<button value>
我需要在没有引号和的情况下这样做，因为所有现代浏览器都允许在没有quutes的情况下做属性。
注意：我不仅需要解析onclick。。这都是从"on"开始的atrributes。
注意（2）：不要尝试建议HTML PARSER，因为它对PARSE来说将是一个非常大的DOM树。。
更新：谢谢您的回复！现在，我使用HTMLPurifier组件编写了一个小框架。
使用正则表达式标记没有错。但是，用regex制作一个完整的HTML标记器是一项艰巨的工作，而且很难做好。我建议使用合适的解析器，因为您可能需要删除脚本标记等
假设不需要完整的标记化器，则可以使用以下正则表达式和代码从HTML标记中删除on*属性。因为没有使用适当的标记化器，所以即使在脚本、注释、CDATA等中，它也会匹配看起来像标签的字符串。
不能保证所有输入/浏览器组合的所有事件属性都会被删除请参阅下面的注释。
容错注意事项：
浏览器通常可以容忍错误。因此，当存在"无效"数据时，很难标记标签并获取属性，因为浏览器会看到它们。由于不同浏览器的容错能力和处理方式不同，因此不可能制定出在所有情况下都适用于它们的解决方案。
因此：一些浏览器（当前、过去或未来版本）可以将我的代码认为不是标记的东西视为标记，并执行JS代码。
在我的代码中，我试图模仿最近Google Chrome版本的标记标记化（以及容错/处理）。Firefox似乎也有类似的做法。
IE 7不同，在某些情况下它没有那么宽容（这比它更宽容要好）。（IE 6-让我们不要去那里。见XSS过滤器规避作弊表）
相关链接：
- HTML5标记化
- XSS过滤器规避备忘单
代码
$redefs = '(?(DEFINE)
(?<tagname> [a-z][^'s>/]*+ )
(?<attname> [^'s>/][^'s=>/]*+ ) # first char can be pretty much anything, including =
(?<attval> (?>
"[^"]*+" |
''[^'']*+'' |
[^'s>]*+ # unquoted values can contain quotes, = and /
)
)
(?<attrib> (?&attname)
(?: 's*+
= 's*+
(?&attval)
)?+
)
(?<crap> [^'s>] ) # most crap inside tag is ignored, will eat the last / in self closing tags
(?<tag> <(?&tagname)
(?: 's*+ # spaces between attributes not required: <b/foo=">"style=color:red>bold red text</b>
(?>
(?&attrib) | # order matters
(?&crap) # if not an attribute, eat the crap
)
)*+
's*+ /?+
's*+ >
)
)';
// removes onanything attributes from all matched HTML tags
function remove_event_attributes($html){
global $redefs;
$re = '(?&tag)' . $redefs;
return preg_replace("~$re~xie", 'remove_event_attributes_from_tag("$0")', $html);
}
// removes onanything attributes from a single opening tag
function remove_event_attributes_from_tag($tag){
global $redefs;
$re = '( ^ <(?&tagname) ) | 'G 's*+ (?> ((?&attrib)) | ((?&crap)) )' . $redefs;
return preg_replace("~$re~xie", '"$1$3"? "$0": (preg_match("/^on/i", "$2")? " ": "$0")', $tag);
}
示例用法
在线示例：
$str = '
<button onclick="..javascript instruction..">
<button onclick="..javascript instruction.." value="..">
<button onclick=..javascript_instruction..>
<button onclick=..javascript_instruction.. value>
<hello word "" ontest = "hai"x="y"onfoo=bar/baz />
';
echo $str . "'n----------------------'n";
echo remove_event_attributes($str);
输出：
<button onclick="..javascript instruction..">
<button onclick="..javascript instruction.." value="..">
<button onclick=..javascript_instruction..>
<button onclick=..javascript_instruction.. value>
<hello word "" ontest = "hai"x="y"onfoo=bar/baz />
----------------------
<button >
<button value="..">
<button >
<button value>
<hello word "" x="y" />
您最好使用DOMDocument。
您可以使用它来遍历由要解析的HTML文件表示的DOM树，查找要删除的各种on*属性。
这种方法更有可能成功，因为DOMDocument实际上理解HTML文件的语义，而regex只是一个愚蠢的字符串解析器，不足以可靠地解析HTML。