查找字符串中不在 BBCodes 内的点

Question

我有一个包含文章文本的字符串。其中散布着 BBCode（在方括号之间）。我需要能够抓住文章的第一个字符，即 200 个字符，而不会在 bbcode 中间将其切断。所以我需要一个可以安全地切断它的索引。这将为我提供文章摘要。

• 摘要必须至少为 200 个字符，但可以更长以从 bbcode 中“转义”。（这个长度值实际上是函数的参数）。
• 它不能在独立的 bbcode 中给我一个点（参见管道），如下所示：[列表|t]。
• 它不能给我一个开始和结束 bbcode 之间的点，如下所示：[url="http://www.google.com"]转到 Goo|gle[/url]。
• 在上面的示例中，它不能在开始或结束 bbcode 内或它们之间给我一个点。

它应该给我 200 之后的“安全”索引，并且不会切断任何 BBCode。

希望这是有道理的。我已经为此苦苦挣扎了一段时间。我的正则表达式技能只是中等。谢谢你的帮助！

Answer 1

首先，我建议考虑如何处理完全包含在 BBcode 中的帖子，就像字体标签的情况一样。换句话说，对所述问题的解决方案很容易产生包含整篇文章的“摘要”。识别哪些标签仍然打开并附加必要的 BBcode 来关闭它们可能更有价值。当然，如果是链接，则需要额外的工作来确保不会破坏它。

Answer 2

嗯，显而易见的 简单的 答案是呈现您的“摘要”，根本不带任何 bbcode 驱动的标记（下面的正则表达式取自 这里)

$summary = substr( preg_replace( '|[[\/\!]*?[^\[\]]*?]|si', '', $article ), 0, 200 );

但是，执行您明确描述的工作将需要的不仅仅是正则表达式。词法分析器/解析器可以解决这个问题，但这是一个中等复杂的主题。我看看能不能想出点什么。

编辑

这是词法分析器的一个漂亮的贫民窟版本，但对于这个例子来说它是有效的。这会将输入字符串转换为 bbcode 标记。

<?php

class SimpleBBCodeLexer
{
  protected
      $tokens = array()
    , $patterns = array(
        self::TOKEN_OPEN_TAG  => "/\\[[a-z].*?\\]/"
      , self::TOKEN_CLOSE_TAG => "/\\[\\/[a-z].*?\\]/"
    );

  const TOKEN_TEXT      = 'TEXT';
  const TOKEN_OPEN_TAG  = 'OPEN_TAG';
  const TOKEN_CLOSE_TAG = 'CLOSE_TAG';

  public function __construct( $input )
  {
    for ( $i = 0, $l = strlen( $input ); $i < $l; $i++ )
    {
      $this->processChar( $input{$i} );
    }
    $this->processChar();
  }

  protected function processChar( $char=null )
  {
    static $tokenFragment = '';
    $tokenFragment = $this->processTokenFragment( $tokenFragment );
    if ( is_null( $char ) )
    {
      $this->addToken( $tokenFragment );
    } else {
      $tokenFragment .= $char;
    }
  }

  protected function processTokenFragment( $tokenFragment )
  {
    foreach ( $this->patterns as $type => $pattern )
    {
      if ( preg_match( $pattern, $tokenFragment, $matches ) )
      {
        if ( $matches[0] != $tokenFragment )
        {
          $this->addToken( substr( $tokenFragment, 0, -( strlen( $matches[0] ) ) ) );
        }
        $this->addToken( $matches[0], $type );
        return '';
      }
    }
    return $tokenFragment;
  }

  protected function addToken( $token, $type=self::TOKEN_TEXT )
  {
    $this->tokens[] = array( $type => $token );
  }

  public function getTokens()
  {
    return $this->tokens;
  }
}

$l = new SimpleBBCodeLexer( 'some [b]sample[/b] bbcode that [i] should [url="http://www.google.com"]support[/url] what [/i] you need.' );

echo '<pre>';
print_r( $l->getTokens() );
echo '</pre>';

下一步是创建一个解析器，循环遍历这些标记并在遇到每种类型时采取操作。或许我以后有时间再做吧...

Answer 3

这听起来不像是（仅）正则表达式的工作。“简单编程”逻辑是更好的选择：

• 抓取“[”以外的字符，增加一个计数器；
• 如果遇到开始标签，请继续前进，直到到达结束标签（不要增加计数器！）；
• 当计数器达到 200 时，停止抓取文本。

Answer 4

这是一个开始。我目前无法访问 PHP，因此您可能需要进行一些调整才能使其运行。还有，这个 将不会 确保标签已关闭（即该字符串可以有 [url] 而没有 [/url]）。另外，如果字符串无效（即并非所有方括号都匹配）它可能不会返回您想要的内容。

function getIndex($str, $minLen = 200)
{
  //on short input, return the whole string
  if(strlen($str) <= $minLen)
    return strlen($str);

  //get first minLen characters
  $substr = substr($str, 0, $minLen);

  //does it have a '[' that is not closed?
  if(preg_match('/\[[^\]]*$/', $substr))
  {
    //find the next ']', if there is one
    $pos = strpos($str, ']', $minLen);

    //now, make the substr go all the way to that ']'
    if($pos !== false)
      $substr = substr($str, 0, $pos+1);
  }

  //now, it may be better to return $subStr, but you specifically
  //asked for the index, which is the length of this substring.
  return strlen($substr);
}

Answer 5

我编写了这个函数，它应该可以满足您的需求。它计算n个字符（标签中的字符除外），然后关闭需要关闭的标签。代码中包含示例使用。代码是用 python 编写的，但应该很容易移植到其他语言，例如 php。

def limit(input, length):
  """Splits a text after (length) characters, preserving bbcode"""

  stack = []
  counter = 0
  output = ""
  tag = ""
  insideTag = 0           # 0 = Outside tag, 1 = Opening tag, 2 = Closing tag, 3 = Opening tag, parameters section

  for i in input:
    if counter >= length: # If we have reached the max length (add " and i == ' '") to not make it split in a word
      break
    elif i == '[':        # If we have reached a tag
      insideTag = 1
    elif i == '/':        # If we reach a slash...
      if insideTag == 1:  # And we are in an opening tag
        insideTag = 2
    elif i == '=':        # If we have reached the parameters
      if insideTag >= 1:  # If we actually are in a tag
        insideTag = 3
    elif i == ']':        # If we have reached the closing of a tag
      if insideTag == 2:  # If we are in a closing tag
        stack.pop()       # Pop the last tag, we closed it
      elif insideTag >= 1:# If we are in a tag, parameters or not
        stack.append(tag) # Add current tag to the tag-stack
      if insideTag >= 0:  # If are in some type of tag
        insideTag = 0
        tag = ""
    elif insideTag == 0:  # If we are not in a tag
      counter += 1
    elif insideTag <= 2:  # If we are in a tag and not among the parameters
      tag += i
    output += i

  while len(stack) > 0:
    output += '[/'+stack.pop()+']'   # Add the remaining tags

  return output

cutText = limit('[font]This should be easy:[img]yippee.png[/img][i][u][url="http://www.stackoverflow.com"]Check out this site[/url][/u]Should be cut here somewhere [/i][/font]', 60)
print cutText