PHPでスペースや改行だけしか含んでいないHTMLタグを削除

Question

以下の事前処理済みのHTMLの中から内容が無いと判断する<p>タグを削除したいと思っています。
・<p>タグ、<br>タグ以外は**strip_tags()**にて削除。

preg_replace()にて、以下の正規表現を考えてみたものの、想定の挙動になりませんでした。
一つの<p>タグないで完結したいのですが、他の<p>タグに跨って削除されてしまうものを解消できないでしょうか。

preg_replace( "/<(p|p\s.*)>(\r|\n|\r\n|\s|　|<br>|<br />)*</p>/mis", "", $html);

<!-- 挙動が異常なケース -->
A文章がいくつかあります<br>
<p class="xxx"></p>
B文章がいくつかあります<br>
C文章がいくつかあります<br>
<p></p>
<p id="xxxx"><br></p>
D文章がいくつかあります<br>

<!-- 上記の実行結果 -->
A文章がいくつかあります<br>
D文章がいくつかあります<br>

<!-- 求めていた結果 -->
A文章がいくつかあります<br>

B文章がいくつかあります<br>
C文章がいくつかあります<br>


D文章がいくつかあります<br>

Comments

[m.ts10806]

> preg_replace()やpreg_match()を使う予定です。
であればまずご自身でできるところまでやってみてください。質問ではなく単なる作業依頼になっています。

[yambejp]

<p><a></a></p>のように空要素のタグを更にタグがかこう場合はどうするのでしょうか？
<p><br></p>をけすなら<p><img></p>なども消すのでしょうか？
条件をきっちり決めて下さい

[ogaden]

大変失礼しました。おっしゃる通りと思います。
私の方で失敗に終わっている構文があるとかえってご苦労を掛けてしまうかと思い、今回のような質問にさせてもらっていました。
前提条件を含め改めて編集させていただきます。
ご指摘感謝いたします。ありがとうございます。

[m.ts10806]

むしろ失敗で終わっているものが回答のヒントになりますし、
もし間違っているやり方であれば方向性を指摘することも出来ます。
つまり、現在は回答するための材料が一切削られてしまっている状態です。
1つ前の質問で色々試されていたと思いますが、あのような「試したこと」が回答者が実は最も欲しがる要素の1つです（本当に最も欲しいのは具体的な要件ですが）

[m.ts10806]

直接の回答ではないのでこちらに書きますが、HTMLを正規表現で扱うのってかなり難しくてどこか必ず抜けが出るものと思います。
HTMLの構文解析ができるライブラリを利用して(スクレイピングの要領）、チェックされたほうが分かりやすいように思います。
https://liginc.co.jp/358628

[ogaden]

ご教授ありがとうございます。その通りですよね。
当然のことでしたが、自分で整理できていないことを依頼するのは浅はかでした。
当時頭がごちゃごちゃして行き詰っていましたが、ご指摘を受けて内容を整理しているうちに突破口を見つけることができました。

ご指摘の通り見つけた突破口も想定外のケースで穴が生まれる可能性があることを認識して実装したいと思います。今回は特殊な仕様や古い動作環境であるためライブラリ検討をしておりませんでしたが、いただいた情報を別途拝見したいと思います。
ご協力ありがとうございました。

Answer 1

HTMLは必ずしも正しい文法とも限らないのでPHPをベースにするなら
一度dom評価をした方がよいような気がします

DOMDocumentで処理を検討なさったほうがよいのではないでしょうか？

Comments

[ogaden]

なるほど、このクラスの存在を知らずにことを進めていました。
たしかに想定外の文法に備える必要がありますね。
仕様を理解して利用を検討したいと思います。

ご助言ありがとうございます。

Answer 2

状況を整理するうちに問題の個所が見えてきました。
以下のコードにて解決できました。

// 解決したコード
preg_replace( "/<(p|p\s[^>]*)>(\r|\n|\r\n|\s|　|<br>|<br />)*</p>/mis", "", $html);

// 不備のあったコード
preg_replace( "/<(p|p\s.*)>(\r|\n|\r\n|\s|　|<br>|<br />)*</p>/mis", "", $html);

pタグ内の属性記述に対応するために設けた繰り返し指示（p\s.*）で、pタグを超えて適用されるケースがあったので、「>」以外の文字を繰り返すに変更して解決に至りました。

上記で解消されることを確認しましたが、まだ不備が残るようなご指摘があればお願いします。
ご指摘なければ明日解決とさせていただきます。

Comments

[m.ts10806]

今のところ「それでいけるならいいんじゃないかな」くらいしか思いませんが、実際に利用するhtmlにあてはめられたほうが良いかと。パターンテストですね。
php的に特別な意味をもつ記号が入ってきた場合とか。
レアケースを追ってもキリはないですけどね。コメントでも書いたように正規表現でhtml解析はかなり無理が出てきます。安全に行うには相当の知識と技術を要します。やはりライブラリ利用で構文解析が妥当かなと思います。

[ogaden]

承知しました。
パターンテストを別途行いつつも、実運用で不備がでないかもしばらく見ていこうと思います。
最後までご教授ありがとうございました。