Ekstraksi HTML dan Teks dengan Regex

Ekstraksi Umum

Memisahkan antara tag HTML dengan teks di sekitarnya:

var test = 'foo <a b="c">bar</a> baz <b> qux yo"s <c><d> wut?';
var results = [];
test.replace(/([^<>]*?)(</?[-:w]+(?:>|s[^<>]*?>)|$)/g, function(a, b, c) {
if (b) results.push(b);
if (c) results.push(c);
});

console.log(results);

Hasil:

[
'foo ',
'<a b="c">',
'bar',
'</a>',
' baz ',
'<b>',
' qux yo"s ',
'<c>',
'<d>',
' wut?'
]

Dengan cara ini Anda dapat melakukan manipulasi teks dengan aman tanpa harus mempengaruhi tag HTML. Caranya adalah dengan mengecek terlebih dahulu apakah anggota merupakan tag HTML atau teks:

var output = "";
for (var i = 0, len = results.length; i < len; ++i) {
var s = results[i];
// Is this a HTML tag or text?
if (s && s[0] === '<' && s.slice(-1) === '>') {
// this is a HTML tag …
output += s;
} else {
// do something with text …
output += s.replace(/"/g, '&quot;');
}
}

console.log(output);

Hasil:

'foo <a b="c">bar</a> baz <b> qux yo&quot;s <c><d> wut?'

Ekstraksi Spesifik

Kode di bawah ini akan memisahkan antara tag HTML dengan nama tertentu saja, sehingga teks bisa saja berisi tag HTML yang diperbolehkan. Ini berguna jika Anda ingin melakukan manipulasi teks di luar tag tertentu saja, misalnya tag <kbd>, <pre>, <script> dan <style>:

var test = 'foo <a b="c">bar</a> baz <b> qux yo"s <c><d> wut? <kbd>ignore this yo"s</kbd>';
var results = [];
test.replace(/(.*?)(</?(?:kbd|pre|script|style)(?:>|s[^<>]*?>)|$)/g, function(a, b, c) {
if (b) results.push(b);
if (c) results.push(c);
});

console.log(results);

Hasil:

[
'foo <a b="c">bar</a> baz <b> qux yo"s <c><d> wut? ',
'<kbd>',
'ignore this yo"s',
'</kbd>'
]

Berikut ini adalah cara mengubah karakter ” yang berada di luar tag <kbd> menjadi &quot;:

var output = "";
var skip = false;
for (var i = 0, len = results.length; i < len; ++i) {
var s = results[i];
if (s && s[0] === '<' && s.slice(-1) === '>') {
// check whether the HTML tag is an opening or closing tag …
skip = s[1] && s[1] !== '/';
output += s;
} else {
output += !skip ? s.replace(/"/g, '&quot;') : s; // replace or skip …
}
}

console.log(output);

Hasil:

'foo <a b=&quot;c&quot;>bar</a> baz <b> qux yo&quot;s <c><d> wut? <kbd>ignore this yo"s</kbd>'

Versi PHP

PHP sudah memiliki fungsi khusus untuk menangani tugas ini:

$test = 'foo <a b="c">bar</a> baz <b> qux yo"s <c><d> wut?';
$results = preg_split('#(</?[-:w]+(?:>|s[^<>]*?>))#', $test, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);

var_dump($results);

Untuk melakukan ekstraksi tag HTML secara spesifik:

$results = preg_split('#(</?(?:kbd|pre|script|style)(?:>|s[^<>]*?>))#', $test, -1, PREG_SPLIT_NO_EMPTY | PREG_SPLIT_DELIM_CAPTURE);