Собственно вопрос...

Допустим существует стока с форматирование типа

Мне нужно обрезать строку и оставить допустим 150 символов. Как это можно сделать сохранив форматирование?

Добавлено через 2 минуты и 49 секунд
как-то странно создалась тема :( попробую продублировать


Собственно вопрос...

Допустим существует стока с форматирование типа


Мне нужно обрезать строку и оставить допустим 150 символов. Как это можно сделать сохранив форматирование? 

Ну в голову приходит только совершенно дебильный метод: проход по строке, при обнаружении открывающего тега сохранить в массиве, что он был, если нашли такой же закрывающий - удалить из массива. Как только дошли до нужной позиции - добавляем закрывающие теги на всё, что осталось в массиве тегов

Рекурсивная функция, которая вырезает 150 символов, смотрит нету ли в них тегов, отрезает от изначальной строки  и прибавляет к конечной еще кусок длиной в "длина тегов". И так пока текст кроме тегов не станет 150 символов.
После чего надо пробежаться и закрыть все теги.

а примерчик можно, а то что-то не въеду  не очень я со всякими регулярками

Примерчик   

1) Тупо отсчитываешь 150 символов, пропуская встретивиеся теги.
2) Если последний тег не закрытый, то 2 вар-та есть, либо закрыть самому, либо обрезать весь

ArchNix, попробую что за код... 


brother79, это не выход. Может быть куча вложенных тегов которые не закроются. И тогда весь сайт поплывёт

Да, кстати, они же могут быть вложенные. Ну тогда считай открывающиеся и закрывающиеся

1) пиши полноценный парсер
2) сделай что-то типа 



Далее в $m уже будут выделены отдельно все теги и текст между ними, останется только пройтись по этому массиву, считая символы и запоминая какие теги открываются и закрываются, скажем добавляя их в другой массив и удаляя из него при закрытии, а в конце, те, что не удалённые  - закрыть и удалить из массива.

Тут правда конец строки не учитывается, надо или регулярку усложнять или на всякий случай в конце добавить фиктивный тег перед разбором

Это сообщение отредактировал(а) brother79 - 20.4.2010, 05:09

в общем начал колдовать.. Но столкнулся с ещё одной бедой.. А если есть таблица? Тут не только нужно считать теги но и структуру считать.. В общем ужас 

Gold Dragon, какая разница — таблица у тебя или что-то другое? Какой ты алгоритм сам для себя выбрал?

разница есть, например, если используются colspan или rowspan. Или что-то типа <col> у которого нет </col>

Все теги имеют закрывающий тег. 
То, что для некоторых его можно не писать - это послабляющий фактор, но никак не мешает тебе его закрыть.

Добавлено через 2 минуты и 6 секунд
Черт, подумал и понял проблему...
То есть выкусил типа


И по логике, получается, что col надо закрыть 
Сложно... Чуть ли не парсер писать надо. 

вот именно, писать парсинг... :( ну или сделать ограничения не теги

Если у тебя документ корректный - то ты знаешь, какие теги должны иметь закрывающийся, а какие нет, например <br>, если же какой-то м.... пишет не закрытый <td> или ещё чего, ты на это универсальную прогу не придумаешь. Я бы предложил - нормальный код парсить или делать препроход и закрывать те же <td> перед <tr>

я пишу модуль вывода краткого содержимого старей/новостей  для CMS. И поэтому модуль будут использовать как угодно и где угодно...

скорее всего нужно писать с простого и по мере новых версий вводить новые теги.. другого выхода пока не вижу. Пока будут получаться неоправданные затраты

Это сообщение отредактировал(а) Gold Dragon - 20.4.2010, 11:57

Gold Dragon, Есть мысль - заставить юзера(юзеровый броузер) самого впилить все нужные теги...
Новости - это кусочки откопипащеных html'ей? Тогда нужно просто вставить этот текст в какой-то фрейм в html документе, на клиентской стороне у самого "редактора", а потом брать с собой на сервер то, что броузер уже успел "открыть-закрыть". Просто у броузера уже есть механизм исправления корявого кода и им вполне можно пользоваться   Заодно это будет последним китайским предупреждением редактору новости - действительно ли вот это и есть то, что хочется показать народу?...

C кодом на сервере нужно, конечно, проделать много дополнительных телодвижений - stripTags для непонятных тегов, очистка понятных тегов от странного и лишнего форматирования и протчий клининг...

Я до сих пор не вижу проблемы. В данном случае вы просто неправильно "откусили" вот и всё. "Кусать" надо до тех пор, пока не закроются все теги, попавшие в текст, длиной 150 символов. Да, строка может получиться длиннее 150-ти символов, но зато тут виден какой-то алгоритм.

Ещё раз спрашиваю: какой алгоритм выбрал тредстартер?

Добавлено через 3 минуты и 45 секунд
Сложнее всего ответить на вопрос: «а что вообще такое «подстрока гипертекста»? Что вообще вы хотите увидеть, попытавшись получить «150 символов таблицы»? Я смысла в этом вообще вижу мало.

Очень класно. Обрежем 150 символов, но не 150 символов. 
Соответствие решения техзаданию даже близко не валяется. 



А я вижу. Раз просят 150, надо сделать все, чтобы было максимально близко, а не делать как получится, потому что так удобнее

smartov, ответь на вопросы:

А уже только потом можно будет поговорить о реализации.

SickFxck, мне задание очевидно - его бизнес логика сродни тому, почему у нас на винграде при нажатии кнопки "быстрая цитата" скрипт вставляет цитируемый текст без форматирования, а должен бы с ним. Если у тебя еще есть вопросы - задавай их ТС, а не мне.

То, что ты не можешь точно описать, не существует.


Тогда просьба не оценивать чужие предложения на соответствие "техзаданию" автора:

Согласен. Прошу прощения. Может автору действительно подходит твой алгоритм.

Извините. был занят... Может я не совсем правильно всем объяснил... вот на примере

есть примеры следующего контекста







Сам текст может иметь любые стили форматирования. И как видно, нужно не только закрывать теги, но и "научить" парсер в каком порядке их закрывать. И строка само собой получится более 150 символов.. Нужно сохранять 150 текста 

Добавлено через 2 минуты и 48 секунд
интересный вариант предложил brother79, осталось понять логику как это реализовать

Если в лоб, можно попробовать тупо вырезать без учета тегов (напр., регуляркой типа '/([^<>](<[^<>]*>)*){0,150}/s'), а на результат натравить какой-нибудь tidy_repair_string (пусть сам чинит покоцаную разметку;) и из результата вырезать всё между <body>...</body>. Возможно, как вариант, вместо Tidy - DOMDocument::loadHTML (не проверял, поэтому не уверен).

Но вообще подход рискованный. Если это для новых статей/новостей, которые вводятся через WYSIWYG-редактор, лично я бы сделал как-нибудь так: для краткого содержания завел бы отдельное поле (тоже WYSIWYG'овое) и по достижении нужного лимита значением innerText.length/textContent.length основного поля копировал бы innerHTML основного поля туда яваскриптом, оставив редактору новости возможность вручную поменять его на что-то более осмысленное (напр., заменить обрезок таблицы на краткую аннотацию к ней).

Через стек просто делается:

Кстати,

справедливо для XML (включая XHTML как application/xhtml+xml), но не для HTML (включая XHTML как text/html). В HTML для пустых (принципиально не имеющих содержимого) тегов закрывающий тег именно что запрещен. И <col> - как раз один из таких тегов;)

По сабжу, в первом приближении работает и такое:

Закрывает всё вроде как надо (проверил на примерах из топика). Правда, нужна поддержка Tidy на сервере и кодировка utf-8 (с cp1251 у меня не получилось). И сбитые rowspan/colspan таблиц не лечит (в принципе, пустяк, таблица-то закрыта, вёрстка дальше не поплывёт)...

Это сообщение отредактировал(а) SelenIT - 27.4.2010, 17:57

что такое Tidy?

SickFxck, твой код практически отлично работает.. не пробовал на таблицах, но с другими элементами вроде пащет.. Правда <IMG> не проверил... А так всё открывается и закрывается.. 

НО(!)

- задаваемый размер не соответствует реальному тексту
- не учтено всякие специальные символы типа &laquo;

SickFxck, можешь пояснить что и как делается в коде? что-то я запутался 

вот для примера код

Скорее всего это одна и та же проблема.

Вечером выложу исправленный вариант, если ничего другого не найдёшь.

Добавлено через 53 секунды
А если ты работаешь с UTF-8, то там нужно mb-функции использовать.

SickFxck, прокомментируй код.. Хочу разобраться  

Фактически готовый HTML-парсер.


У меня учтено;)

Если кратко, то, встречая открывающий тег (парный), мы его пихаем в стек, если встретился закрывающий — выталкиваем. Если длина строки превысила допустимое количество — прерываем цикл. После выталкиваем все незакрытые теги.

Я пользуюсь тем, что preg_split($pattern, $subject, -1, PREG_SPLIT_DELIM_CAPTURE) возвращает массив в виде чередующихся строк и подстрок, подходящих под шаблон. То есть, тег всегда будет в нечётных индексах массива, а простой текст — в чётных.

Да и ещё один фикс:


P.S. И заметь, что, например, "&amp;" я считаю одним символом ("&"), а не 5-ю.

Это сообщение отредактировал(а) SickFxck - 28.4.2010, 17:59

боюсь что Tidy не могу использовать. не на всех серверах он установлен. Проверил у своих хостеров, только у одного стоит :(

никак не пойму почему количество заданных символов не соответствует реальной обрезке :(
и разница колеблется в случайном порядке, как в большую сторону так и в меньшую

Ты про чей вариант?

Свой я уже пояснил:

Поэтому нельзя делать проверку с помощью strlen().

Ах да. Действительно есть кое-что. Окончательный вариант:




Это сообщение отредактировал(а) SickFxck - 29.4.2010, 11:51

теперь код отлично работает на этом этапе  Но это при условии что код валидный

если есть <img...> а не <img ... /> то появится </img> 

а можно как то включить в условия чтобы если встретится например тег <myqqq> то просто его игнорировать и оставить в коде?

Делай массив таких тегов


Добавь условие здесь:

substr(), strtok(), strtolower(), in_array()...

Это сообщение отредактировал(а) SickFxck - 29.4.2010, 11:59

Я думаю, адекватного хостера можно попросить его добавить. Всё-таки стандартные решения надежнее, имхо (хотя бы тем, что не надо самому заводить массивы пустых тегов и разрешенных тегов)...

SelenIT, согласен с тобой.. Но не всё так просто ... ни каждый хостер будет доставлять библиотеки по желанию пользователей...

хотя я думаю нужно и этот вариант сделать, а в настройках давать пользователю вариант выбирать...