2つのHTMLテキストブロックの比較を表示する方法

Question

HTMLタグ付きの2つのテキストブロックがあり、それらの比較を表示しようとしています。

2つのテキストブロックをマージし、片方から何が追加・削除されたのかをハイライトしたいです。

既にプレーンテキストの比較は、PEAR Text_Diffクラスを使って表示することは出来たのですが、
htmlタグがそこに混じっただけで、一気にややこしくなってしまいます。

クラスが語形や文字を基礎とした比較アルゴリズムを使うので、どうしてもhtmlタグが壊れ

<p><span class="hoge"> </</span>p>

のような、汚い結果になってしまいます。

オリジナルの有効なHTMLマークアップを維持しつつ、テキストの比較を生成する方法ってありますか？

こちらで思いつくことは、
・それぞれのhtmlタグを検索し、非標準文字で置換える

このような原始的なマークダウンで比較を表示し、非標準文字をオリジナルのタグへ戻す。
フィードバックなどお願いします！
よろしくお願いします！

Answer 1

問題は、あなたのdiffプラグラムが既存のHTMLタグを個別の文字として認識されてしまっているようです。

もし、お使いのエンジンが単語限度で機能することに限る能力があるならば、それがHTMLタグを1つの「語」としてみなすような関数をオーバーライドすることが出来れば参照して下さい。

または質問者さんが提案されたように、HTMLタグを未使用のUnicode値と一致させ、それらを集めたルックアップ辞書を作ってみてもいいかもしれません。（使えそうなユーザー定義レンジもあると思います。）

しかしこれを実行した場合、変更されたマークアップはその前後のワードが変更したかのように表示されます。なぜかというと、トークン化プログラムでUnicode文字もそのワードの一部となってしまうからです。

トークンUnicode文字の前後にスペースを入れることで、HTMLタグへの変更とプレーンテキストへの変更を区別することができます。