「PHP 正規表現」特定タグコードの置き換え、修正方法

Question

以下のコードを修正、表示したいと思っているのですが私には難解すぎて困っています。

現在PHPで作成したRSSを配信しているのですが、その中で、もともとあるコードを加工したいと思っています。

（例）
▼現
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt="○○○" width="○○○" height="○○○" />出典：https://△△△.com
↓
▼改

<figure><img src="https://hogehoeg.com/○○○.jpg" alt="○○○" /><figcaption>出典：https://△△△.com</figcaption></figure>

上記現から改のように、imgタグのsrcとaltのみを残したまま<figure>内に入れ込み、かつ「出典」部分のテキストのみを<figcaption>内に入れ込むという正規表現、置き換え方法をご教示いただければ幸いです。

なお、出典直後の「：」は全角（：）と半角（:）の場合があります。

img直後は必ず「出典」文字列が付与されていますが改行タグやスペースが入っていることもあります。

preg_replaceをあれこれ試してみたものの見当違いな結果を連発し、困っていたところたどり着きました。

不足情報などありましたらお答えしますので何卒どうぞよろしくお願い致します。

Comments

[kunai]

そのあれこれ試してみた事を書いていただけませんか。

Answer 1

正規表現版 (変更に弱いですが，決め打ちであればこれで十分です)

<?php

$content = <<<EOD
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt="○○○" width="○○○" height="○○○" />出典：https://△△△.com
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt='xx oo' width="○○○" height="○○○" />出典：https://△△△.com
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" width="○○○" height="○○○" />出典：https://△△△.com
EOD;

echo preg_replace_callback(
    '@<img( class="aa bb cc etc".*?) />\s*+([^\s<]*+)@s',
    function ($m) {
        $m[1] = preg_replace('@
            \s*+(?:
                (?:src|alt)(*SKIP)(*FAIL)|[\w-]++
            )=(?:"[^"]*+"|\'[^\']*+\')
        @x', '', $m[1]);
        return "<figure><img$m[1]><figcaption>$m[2]</figcaption></figure>";
    },
    $content
);

DOM版 (細かい差異に依存しないので変更により強いです)

（ただしインデントが崩れたり一部文字がHTMLエンティティに置換されてしまうなど，少し弊害があります…）

<?php

// 何かこれらを括っている親要素があると仮定 (もしなければ付加してください)
$content = <<<EOD
<root>
    <img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt="○○○" width="○○○" height="○○○" />出典：https://△△△.com
    <img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt='xx oo' width="○○○" height="○○○" />出典：https://△△△.com
    <img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" width="○○○" height="○○○" />出典：https://△△△.com
</root>
EOD;

$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTML(
    mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'),
    LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD
);
libxml_clear_errors();
$xpath = new DOMXPath($dom);

foreach ($xpath->query('//img[@class="aa bb cc etc"]') as $i => $node) {
    
    foreach ($xpath->query('./@*[not(name()="src")][not(name()="alt")]', $node) as $attr) {
        $node->removeAttribute($attr->name);
    }
    
    if ($textnode = $node->nextSibling and $textnode->nodeType === XML_TEXT_NODE) {
        $node->parentNode->removeChild($textnode);
    } else {
        $textnode = $dom->createTextNode('');
    }
    
    $figure = $dom->createElement('figure');
    $node->parentNode->replaceChild($figure, $node);
    $figure->appendChild($node);
    
    $figcaption = $dom->createElement('figcaption', trim($textnode->nodeValue) ?: 'タイトル無し');
    $figure->appendChild($figcaption);
    
}

$result = $dom->saveXML($dom->documentElement);
echo $result;

// もし最初に親要素を付加したならば，後からそれを除外してください
// $result = substr($dom->saveXML($dom->documentElement), 6, -7);

Comments

[mpyw]

ちょっと微妙に違っていたので訂正します…

[mpyw]

テキストノードが削除できなくて苦戦中…

もとのRSSがXMLではなくてHTMLなのでちょっときついかな…
（正規表現のほうが良さそうです）

[mpyw]

一応動作する形にはなりました

[KazukiF]

いろいろなパターンをありがとうございます！伝え方が悪く申し訳有りませんが、imgと出典の間には何かスペースがあったため解決に至っておりません。（あとで気づきました）その場合に何か違う記載方法があればご教授いただければ幸いです。。

[mpyw]

その間の部分に \s*+ というパターンを入れるだけです．修正しておきます．

[mpyw]

ちなみにDOM版にはこういう「スペースが入った」などの影響を全く受けない強みがあります．正規表現が「変更に弱い」とはこういうことです．

[mpyw]

正規表現の難解な部分について補足しておきます．汎用的な正規表現というよりPCREの独自機能ですが…

http://stackoverflow.com/questions/24534782/how-do-skip-or-f-work-on-regex

このテクニックを使うと，後ろにマッチさせるもののうち特定のものを前で除外しておくことができます．今回は全ての属性の中からsrcとaltだけを除外して置換しないようにしています．

[KazukiF]

ご丁寧にありがとうございました。動作がうまくいき、かなり悩んでましたのでただただ感謝の気持ちでいっぱいです。勉強になりました、またなにかございましたらよろしくお願いします。

Answer 2

simplexml_load_string()あたりでやるほうが良い気もしますが
あえて正規表現で

<?PHP
$content=<<<eof
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt="○○○" width="○○○" height="○○○" />出典：https://△△△.com
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" alt='xx oo' width="○○○" height="○○○" />出典：https://△△△.com
<img class="aa bb cc etc" src="https://hogehoeg.com/○○○.jpg" width="○○○" height="○○○" />出典：https://△△△.com
eof;

$pattern="/(<img) (.*?)>(出典.*)$/m";
$replacement=function($a){
  $str="<figure>".$a[1];
  $pattern="/(?:src|alt)=([\"']).*?\\1/";
  if(preg_match_all($pattern,$a[2],$matches)){
    foreach($matches[0] as $val){
      $str.=" ".$val;
    }
  }
  $str.="/>";
  $str.="<figcaption>".$a[3]."</figcaption></figure>";
  return $str;
};
$content=preg_replace_callback($pattern,$replacement,$content);
print htmlspecialchars($content);
?>

修正版

「出典」の前に半角スペースやタブが入っている可能性がある場合は
「\s*」＝0個以上のスペース文字をヒットさせてください

$pattern="/(<img) (.*?)>\s*(出典[^\n\r]*)/m";

元ソースだとm修飾子を使うと改行文字を拾っちゃうみたいなので
出典以降改行文字がでてくるまでに変えておきました。

Comments

[KazukiF]

発想がすごいですね、ただただ未熟さを痛感しております。
惜しいところまで行ってそうなのですが、
<figure><img src="https://abcabc.jpg" alt=""/><figcaption>
</figcaption></figure>
出典：http://www.xyzxyz.com/
とfigcaptionの中に出典：http://www.xyzxyz.com/を入れ込むことができません。

要因としては、お伝えできていなかったのですが、imgタグの終了地点と出典文字列の間に何かスペースがあり、それが原因かと思っております。

その場合、
$pattern="/(<img) (.*?)>(出典.*)$/m";
の部分でどういった書き方をすればよろしいでしょうか？
申し訳有りませんがお知恵を拝借できれば幸いです！

[yambejp]

修正箇所を追記しておきました
なにか仕様がちがったり、動作が想定と違うようであれば再度指示ください

[KazukiF]

お世話になります、動作しました、ありがとうございます！
本当にどうもありがとうございました。
初めてなのですが、ベウトアンサーを差し上げたら完了扱いでよろしいのでしょうか？

Answer 3

とりあえずチャレンジしてみました。

<?php

  $org = '<img class="aa bb cc etc" src="https://hogehoeg.com/xxx.jpg" alt="あああ" width="xxx" height="xxx" />出典：https://xxx.yyy.com';
  echo $org. "\n";
  echo preg_replace('/(<img.*)width.*\/>(.*$)/u', '<figure>\\1/><figcaption>\\2</figcaption></figure>', $org);