まず、空の HTML 要素は定義上、ネストされていないことに注意してください。
更新:以下のソリューションでは、空の要素の正規表現を再帰的に適用して、次のような「ネストされた空の要素」構造を削除します<p><strong></strong></p>(以下の注意事項に従います)。
シンプルバージョン:
<>これは、(テストされていない) VB.NET スニペットの形式で、面白いものを含む開始タグ属性を持たない HTML に対して非常にうまく機能します (以下の警告を参照) 。
Dim RegexObj As New Regex("<(\w+)\b[^>]*>\s*</\1\s*>")
Do While RegexObj.IsMatch(html)
html = RegexObj.Replace(html, "")
Loop
強化版
<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>
VB.NET のコメントなしの拡張バージョン (未テスト) は次のとおりです。
Dim RegexObj As New Regex("<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:""[^""]*""|'[^']*'|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>")
Do While RegexObj.IsMatch(html)
html = RegexObj.Replace(html, "")
Loop
このより複雑な正規表現は、属性値に山かっこが含まれている場合でも、有効な空の HTML 4.01 要素に正しく一致します(もう一度、以下の注意事項に従ってください)。<>つまり、この正規表現は、引用符で囲まれた ( を含むことができる)、引用符で囲まれていない (できない) および空のすべての開始タグ属性値を正しく処理します。以下は、完全にコメント済み (およびテスト済み) の PHP バージョンです。
function strip_empty_tags($text) {
// Match empty elements (attribute values may have angle brackets).
$re = '%
# Regex to match an empty HTML 4.01 Transitional element.
< # Opening tag opening "<" delimiter.
(\w+)\b # $1 Tag name.
(?: # Non-capture group for optional attribute(s).
\s+ # Attributes must be separated by whitespace.
[\w\-.:]+ # Attribute name is required for attr=value pair.
(?: # Non-capture group for optional attribute value.
\s*=\s* # Name and value separated by "=" and optional ws.
(?: # Non-capture group for attrib value alternatives.
"[^"]*" # Double quoted string.
| \'[^\']*\' # Single quoted string.
| [\w\-.:]+ # Non-quoted attrib value can be A-Z0-9-._:
) # End of attribute value alternatives.
)? # Attribute value is optional.
)* # Allow zero or more attribute=value pairs
\s* # Whitespace is allowed before closing delimiter.
> # Opening tag closing ">" delimiter.
\s* # Content is zero or more whitespace.
</\1\s*> # Element closing tag.
%x';
while (preg_match($re, $text)) {
// Recursively remove innermost empty elements.
$text = preg_replace($re, '', $text);
}
}
注意:この関数は HTML を解析しません。有効な空の HTML 4.01 要素 (定義上、ネストされていない)に対応するテキスト パターン シーケンスを単純に照合して削除します。これは、SCRIPT タグや STYLE タグ、HTML コメント、その他の開始タグの属性など、通常の HTML マークアップの外で発生する可能性のある同じテキスト パターンも誤って照合して削除することに注意してください。この正規表現は、短いタグでは機能しません。この回答に自動的に反対票を投じるbobencファンには、この正規表現が正しく一致しない有効なHTML 4.01の空の要素を1つ示してください。この正規表現は W3C 仕様に従っており、実際に機能します。
更新:この正規表現ソリューションは、次のように非常にありそうもない(しかし完全に有効な)ことを行うと、機能しません (有効なマークアップを誤って削除します)。
<div att="<p att='">stuff</div><div att="'></p>'">stuff</div>
概要：
考え直して、HTML パーサーを使用してください。