Tags aus HTML-Mail gescheit entfernen

[netbandit]

Hallo,

hat jemand eine Ahnung wie man Tags und überflüssigen Inhalt dazwischen aus einer reinen HTML-Mail (nonMultipart, kein PLAIN alternativ) entfernen kann? strip_tags alleine bringt mich da nicht weiter, Beispiel:

$str='<style type="text/css" media="print">
    body{color: #000;}
    </style>';
echo strip_tags($str);

Ausgabe:

body{color: #000;}

Eigentlich sollte da gar nichts mehr kommen :'(

Einen Lösungsansatz habe ich auf php.net gefunden:

echo preg_replace('@<style[^>]*?>.*?</style>@siu', ' ', $str);

Hergeleitet aus dem folgenden Kommentar:

Aber es gibt ja nun, wie man sieht, noch ein paar mehr HTML-Tags wo das was dazwischen ist, gar nicht benötigt wird. Kann mir wer einen Tipp geben oder hat der "matthew" bereits alles abgedeckt?

Grüße

 

[Duddle]

AW: Tags aus HTML-Mail gescheit entfernen

Nicht die hilfreichste der Antworten, aber nur als Hintergrundwissen:

Du wirst mit regulären Ausdrücken hier nicht mehr als 98% (zur Anschauung gewählter Wert) deines HTMLs abdecken können. HTML fällt unter die sog. kontextfreien Sprachen / Typ-2-Sprachen der Chomsky-Hierarchie. Reguläre Ausdrücke können jedoch nur reguläre Sprachen / Typ-3-Sprachen beschreiben.

Praktisch bedeutet das, es ist schlichtweg nicht möglich, alle möglichen HTML-konformen Dokumente mit regulären Ausdrücken vollständig zu verarbeiten. Du müsstest das Dokument als Baum parsen (so wie es dein Browser auch macht), um die einzelnen Knoten korrekt "säubern" zu können - Stichwort DOM.
Alternativ kannst du natürlich auch akzeptieren, dass dein preg_replace niemals 2% der Dokumente korrekt verarbeiten wird


Duddle

 

[netbandit]

AW: Tags aus HTML-Mail gescheit entfernen

OK, nicht unbedingt das was ich mir erhofft habe, aber recht hast Du ja.

Werde dann vorab die den Inhalt zwischen body und /body auslesen, ganz grob die gängigsten Tags (style, script, etc.) nach obigem Beispiel entfernen und zum Schuss mit strip_tags die Übrigen entfernen. Was dann noch übrig bleibt muss halt manuell entfernt werden. Im Durchschnitt kamen von 100 Nachrichten bisher 1 Nachricht im reinen HTML an, alle anderen sind Text, bzw. enthalten alternativ Text. Da kann man bestimmt mit leben...

Grüße & Danke