PHP压缩HTML-使用正则安全的压缩

星浩吖_9039

发布时间：2016-05-25 17:11:07

1405人浏览过

来源于php中文网

原创

分析HTML代码

html一般包括以下的部分：

标签，以<>包裹

文档声明、注释等<!...>格式

半开标签<..../>

闭合标签</..>

立即学习“PHP免费学习笔记（深入）”；

内容，非以<>包裹，这一部分内容中多空格是无效果的

PHP正则分解html代码

html代码是以标签为界限的，所以，只要按标签分解就可以了。在PHP中使用preg_split:

$segments = preg_split("/(<[^>]+?>)/si",$html, null,PREG_SPLIT_NO_EMPTY| PREG_SPLIT_DELIM_CAPTURE);

例如，以下的代码

$html = <<<HTML
<!doctype html>
<html>
<head>
    <title>狼魂博客</title>
    <meta charset="utf-8">
    <meta name="description" content="关注WEB，体悟生活；珍惜生命，远离代码。">
</head>
<body>
<div class="wrap">
    <a class="rss" href="http://pjiaxu.com/rss.xml">文章RSS</a>
    <a class="rss" href="http://pjiaxu.com/map.html">网站地图</a>
    <a class="rss" href="http://pjiaxu.com/archives.html">日期归档</a>
    <a class="rss" href="http://pjiaxu.com/tags.html">标签归档</a>
    <h2 id="logo"><a href="http://pjiaxu.com/" title="狼魂博客">狼魂博客</a></h2>
    <p id="webdesc">关注WEB，体悟生活；珍惜生命，远离代码。</p>
    <div class="clear"></div>
</div>
</body>
</html>
HTML;
print_r(preg_split("/(<[^>]+?>)/si",$html, -1,PREG_SPLIT_NO_EMPTY| PREG_SPLIT_DELIM_CAPTURE));

会产生如下的输出：

Array
(
    [0] => <!doctype html>
    [1] => 
    [2] => <html>
    [3] => 
    [4] => <head>
    [5] => 
    [6] => <title>
    [7] => 狼魂博客
    [8] => </title>
    [9] => 
    [10] => <meta charset="utf-8">
    [11] => 
    [12] => <meta name="description" content="关注WEB，体悟生活；珍惜生命，远离代码。">
    [13] => 
    [14] => </head>
    [15] =>
    [16] => <body>
    [17] => 
    [18] => <div class="wrap">
    [19] => 
    [20] => <a class="rss" href="http://pjiaxu.com/rss.xml">
    [21] => 文章RSS
    [22] => </a>
    [23] => 
    [24] => <a class="rss" href="http://pjiaxu.com/map.html">
    [25] => 网站地图
    [26] => </a>
    [27] => 
    [28] => <a class="rss" href="http://pjiaxu.com/archives.html">
    [29] => 日期归档
    [30] => </a>
    [31] => 
    [32] => <a class="rss" href="http://pjiaxu.com/tags.html">
    [33] => 标签归档
    [34] => </a>
    [35] => 
    [36] => <h2 id="logo">
    [37] => <a href="http://pjiaxu.com/" title="狼魂博客">
    [38] => 狼魂博客
    [39] => </a>
    [40] => </h2>
    [41] => 
    [42] => <p id="webdesc">
    [43] => 关注WEB，体悟生活；珍惜生命，远离代码。
    [44] => </p>
    [45] => 
    [46] => <div class="clear">
    [47] => </div>
    [48] => 
    [49] => </div>
    [50] => 
    [51] => </body>
    [52] => 
    [53] => </html>
)

最简单但有损的PHP压缩

最简单的压缩就是直接连接所有的非空项，同时非标签去掉所有的空白：

$compressed = array();
foreach($segments as $seg)
{
    $seg = trim($seg);
    if($seg)
    {
        //非标签中的空白是无效的字符
        $compressed[] = $seg[0] === '<' ? $seg : preg_replace('!\s!','',$seg);
    }
}
return join('',$compress);

如以上的HTML通过这样的压缩生成的代码是（为了方便显示，我手动将它们断行了）：

<!doctype html><html><head><title>狼魂博客</title><meta charset="utf-8">
<meta name="description" content="关注WEB，体悟生活；珍惜生命，远离代码。"></head>
<body><div class="wrap"><a class="rss" href="http://pjiaxu.com/rss.xml">文章RSS</a>
<a class="rss" href="http://pjiaxu.com/map.html">网站地图</a>
<a class="rss" href="http://pjiaxu.com/archives.html">日期归档</a>
<a class="rss" href="http://pjiaxu.com/tags.html">标签归档</a><h2 id="logo">
<a href="http://pjiaxu.com/" title="狼魂博客">狼魂博客</a></h2>
<p id="webdesc">关注WEB，体悟生活；珍惜生命，远离代码。</p><div class="clear">
</div></div></body></html>

正常情况下这没错，但是也有“不正常”的情况：遇到不能去掉空白的内容时。比如script、code、pre、style是不可以去掉空白的，这时，就要使用栈进行压缩了:

使用栈进行安全压缩html

使用栈的规则是：<..>标签入栈，</..>标签出栈，<!..>和<../>不理，但有一种可能的情况是，<../>不一定有结尾的反斜杠如：

<meta>
<meta/>

都是可以的，这时就要特殊的处理这种情况：

<?php
$html = <<<HTML
<body>
<div class="wrap">
    <a class="rss" href="http://pjiaxu.com/rss.xml">文章RSS</a>
    <a class="rss" href="http://pjiaxu.com/map.html">网站地图</a>
    <a class="rss" href="http://pjiaxu.com/archives.html">日期归档</a>
    <a class="rss" href="http://pjiaxu.com/tags.html">标签归档</a>
    <h2 id="logo"><a href="http://pjiaxu.com/" title="狼魂博客">狼魂博客</a></h2>
    <p id="webdesc">关注WEB，体悟生活；珍惜生命，远离代码。</p>
    <div class="clear"></div>
</div>
<pre>
    var say = "Hello world!";
    print say;
</pre>
</body>
HTML;
$segments = preg_split("/(<[^>]+?>)/si",$html, -1,PREG_SPLIT_NO_EMPTY| PREG_SPLIT_DELIM_CAPTURE);
$compressed = array();
$stack = array();
$tag = '';
$half_open = array('meta','input','link','img','br');
$cannot_compress = array('pre','code','script','style');
foreach($segments as $seg)
{
    if(trim($seg) === '')
    {
        continue;
    }
    //<.../>
    if(preg_match("!<([a-z0-9]+)[^>]*?/>!si",$seg, $match))
    {
        //$tag = self::format_tag($match[1]);
        format_tag($match[1]);
        $compressed[] = $seg;
    }
    else if(preg_match("!</([a-z0-9]+)[^>]*?>!si",$seg,$match))//</..>
    {
        $tag = format_tag($match[1]);
        if(count($stack) > 0 && $stack[count($stack)-1] == $tag)
        {
            array_pop($stack);
            $compressed[] = $seg;
        }
        //这里再最好加一段判断，可以用于修复错误的html
        //...
    }
    else if(preg_match("!<([a-z0-9]+)[^>]*?>!si",$seg,$match))//<>
    {
        $tag = format_tag($match[1]);
        //半闭合标签不需要入栈，如<br/>,<img/>
        if(!in_array($tag, $half_open))
        {
            array_push($stack,$tag);
        }
        $compressed[] = $seg;
    }
    else if(preg_match("~<![^>]*>~", $seg))
    {
        //文档声明和注释，注释也不能删除，如<!--ie条件-->
        $compressed[] = $seg;
    }
    else
    {
        $compressed[] = in_array($tag, $cannot_compress) ? $seg : preg_replace('!\s!', '', $seg);
    }
}
function format_tag($tag)
{
    return trim(strtolower($tag));
}
echo join('',$compressed);

以上的代码产生如下的输出（为了方便显示，我手工断行了）：

<body><div class="wrap"><a class="rss" href="http://pjiaxu.com/rss.xml">文章RSS</a>
<a class="rss" href="http://pjiaxu.com/map.html">网站地图</a>
<a class="rss" href="http://pjiaxu.com/archives.html">日期归档</a>
<a class="rss" href="http://pjiaxu.com/tags.html">标签归档</a><h2 id="logo">
<a href="http://pjiaxu.com/" title="狼魂博客">狼魂博客</a></h2><p id="webdesc">
关注WEB，体悟生活；珍惜生命，远离代码。</p><div class="clear"></div></div><pre>
    var say = "Hello world!";
    print say;
</pre></body>

最安全的HTML压缩

当然，以上的代码正确运行的基础是：HTML都是正确合法的，没有出现如<a><b></a></b>等，但是在普通应用是没有问题的，如果需要安全的压缩HTML代码，可以使用HTML解析库进行修复并进行压缩