正则匹配HTML会误改属性值和URL，因其无法区分文本内容与属性值；DOMDocument才是安全替代方案，通过解析成树结构仅操作文本节点。
正则匹配HTML会误改属性值和URL
最直接的问题是：正则无法区分文本内容和属性值。比如想把页面中所有 ts 替换为 s，但 <img src="cats.jpg"> 里的 ts 也会被干掉，变成 cas.jpg —— 资源路径就炸了。
常见错误现象：
-
preg_replace('/ts/', 's', $html)破坏所有含ts的 URL、class、data-属性 - 用
/>([^<]*)</提取标签内文本，遇到<a href="x<y">link</a>就提前截断 - 自闭合标签（
<img>）、注释（<!-- -->）、CDATA 段全都不识别，直接漏匹配或错匹配
PCRE的(*SKIP)(*FAIL)只是缓解，不是根治
虽然 PHP 的 (*SKIP)(*FAIL) 技巧能跳过标签、只匹配外部文本，但它仍基于字符串扫描，不理解 HTML 结构语义。
使用场景受限于：
立即学习“PHP免费学习笔记（深入）”；
- 无法处理嵌套标签（如
<div><span>text</span></div>中的text可以匹配，但若中间穿插<script>alert("x<y")</script>，正则就乱套 - 对 SVG、MathML、模板语法（如
{{var}}）完全无感知，可能把标签当普通文本替换 -
<[^>]*>这种轻量级标签匹配，在遇到<div onclick="if(a<b)">时会因<被当成标签起始而崩溃
DOMDocument才是真正安全的替代方案
真正可靠的路径是放弃“在字符串里找标签”，改为“解析成树，只动文本节点”。PHP 的 DOMDocument 做这件事是设计初衷，不是权宜之计。
实操建议：
- 用
$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD)加载，避免自动补全<html><body> - 遍历所有
TEXT_NODE类型节点，对$node->nodeValue做正则替换，不影响属性、注释、脚本 - 需要保留原始编码？加上
LIBXML_ENCODING和mb_convert_encoding()配合处理 - 如果 HTML 来自不可信来源，先用
DOMPurify或htmlpurifier清洗，再进 DOM 流程
pattern 属性不是正则万能入口
有人以为 HTML 的 pattern 属性证明“浏览器支持正则处理 HTML”，其实它只作用于单个 <input> 的值校验，和解析/替换整个 HTML 文档毫无关系。
关键限制：
-
pattern隐式加了^和$，只能做全串匹配，不能用于提取或局部替换 - 不支持
g、m、y标志，也无法获取捕获组 - 对
type="number"、"range"等控件完全无效 - 移动端软键盘行为不受其控制，
pattern="[0-9]+"仍可能输入字母
真正难的不是写对一个正则，而是保证它在任意 HTML 结构、任意编码、任意用户输入下都不破坏语义。DOM 解析器天生具备这个能力；正则没有，也不该有。
