PHP压缩HTML-使用正则安全的压缩-PHP源码

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

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 = <<

    
    
    



    文章RSS
    网站地图
    日期归档
    标签归档
    
狼魂博客
    
关注WEB，体悟生活；珍惜生命，远离代码。
    




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] => 
    [1] => 
    [2] => 
    [3] => 
    [4] => 
    [5] => 
    [6] => 
    [9] => 
    [10] => 
    [11] => 
    [12] => 
    [13] => 
    [14] => 
    [15] =>
    [16] => 
    [17] => 
    [18] => 

    [19] => 
    [20] => 
    [21] => 文章RSS
    [22] => 
    [23] => 
    [24] => 
    [25] => 网站地图
    [26] => 
    [27] => 
    [28] => 
    [29] => 日期归档
    [30] => 
    [31] => 
    [32] => 
    [33] => 标签归档
    [34] => 
    [35] => 
    [36] => 

    [37] => 
    [38] => 狼魂博客
    [39] => 
    [40] => 
    [41] => 
    [42] => 

    [43] => 关注WEB，体悟生活；珍惜生命，远离代码。
    [44] => 
    [45] => 
    [46] => 

    [47] => 
    [48] => 
    [49] => 

    [50] => 
    [51] => 
    [52] => 
    [53] => 
)

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] === &＃39;<&＃39; ? $seg : preg_replace(&＃39;!\s!&＃39;,&＃39;&＃39;,$seg);
    }
}
return join(&＃39;&＃39;,$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）：

文章RSS
网站地图
日期归档
标签归档

狼魂博客
关注WEB，体悟生活；珍惜生命，远离代码。

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：

都是可以的，这时就要特殊的处理这种情况：

    文章RSS
    网站地图
    日期归档
    标签归档
    
狼魂博客
    
关注WEB，体悟生活；珍惜生命，远离代码。
    


    var say = "Hello world!";
    print say;


HTML;
$segments = preg_split("/(<[^>]+?>)/si",$html, -1,PREG_SPLIT_NO_EMPTY| PREG_SPLIT_DELIM_CAPTURE);
$compressed = array();
$stack = array();
$tag = &＃39;&＃39;;
$half_open = array(&＃39;meta&＃39;,&＃39;input&＃39;,&＃39;link&＃39;,&＃39;img&＃39;,&＃39;br&＃39;);
$cannot_compress = array(&＃39;pre&＃39;,&＃39;code&＃39;,&＃39;script&＃39;,&＃39;style&＃39;);
foreach($segments as $seg)
{
    if(trim($seg) === &＃39;&＃39;)
    {
        continue;
    }
    //<.../>
    if(preg_match("!<([a-z0-9]+)[^>]*?/>!si",$seg, $match))
    {
        //$tag = self::format_tag($match[1]);
        format_tag($match[1]);
        $compressed[] = $seg;
    }
    else if(preg_match("!]*?>!si",$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
,
        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
        $compressed[] = $seg;
    }
    else
    {
        $compressed[] = in_array($tag, $cannot_compress) ? $seg : preg_replace(&＃39;!\s!&＃39;, &＃39;&＃39;, $seg);
    }
}
function format_tag($tag)
{
    return trim(strtolower($tag));
}
echo join(&＃39;&＃39;,$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）：

文章RSS
网站地图
日期归档
标签归档

狼魂博客

关注WEB，体悟生活；珍惜生命，远离代码。
    var say = "Hello world!";
    print say;

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