[PHP] Whitespace strippen van html output

[Verwijderd]

Ik wil de output van mijn CMS'je graag versturen zonder breaks. Met andere woorden:

HTML:

<div id="mijn_div">
  <h1>Een kop</h1>
  <p>Hier de content</p>
</div>

/* wordt verstuurd als: */
<div id="mijn_div"><h1>Een kop</h1><p>Hier de content</p></div>

Ik heb hier (na een hoop gepruts) de volgende regex voor gevonden:

PHP:

$output = preg_replace("'([\r\n])[\s]+'", "", $output);

Dit werkt goed, behalve als er een textarea met content in de output zit:

HTML:

<div id="mijn_div">
  <textarea>
    * {
        margin: 0;
        padding: 0;
    }
  </textarea>
</div>

/* wordt nu verstuurd als: */
<div id="mijn_div"><textarea>* {margin: 0; padding: 0;}</textarea></div>

En dat moet dus niet. Als ik bv. een stylesheet open vanaf de server, ziet dat er niet uit in de textarea waarin je het kunt bewerken:

Cascading Stylesheet:

{margin: 0;padding: 0;}body {background: #fff url(bg.gif) repeat-x fixed;font: 75%/1.4 Arial, sans-serif;line-height: 18px;overflow: -moz-scrollbars-vertical;height: 100%;padding-top: 10px;}table, th, td {border-color: #9C9A9C; border-collapse: collapse;}img {border: 0;}img.icon {margin: 0 15px 16px 0; padding: 0 0 20px 0; vertical-align: top; float: 
/* etc. dus... */

Mijn vraag is dus hoe ik de regex moet aanpassen, zodat deze content tussen <textarea>-tags (en <pre> en <blockquote>-tags) ongemoeid laat. Welke regex koning kan mij helpen?

[Springuin]

Ik ben geen held met regexpen en zou zelf een parser schrijven. Let wel op dat ie niet de mist in gaat als er in je textarea perongeluk een </textarea> staat.

[Verwijderd]

Dit kan eigenlijk alleen goed met een context-aware parser. Inlezen met een HTML parser, lege textNodes strippen, en dan weer serializen werkt waarschijnlijk het best.

[Verwijderd]

Springuin schreef op dinsdag 30 september 2008 @ 19:48:
Ik ben geen held met regexpen en zou zelf een parser schrijven. Let wel op dat ie niet de mist in gaat als er in je textarea perongeluk een </textarea> staat

Verwijderd schreef op dinsdag 30 september 2008 @ 19:53:
Dit kan eigenlijk alleen goed met een context-aware parser. Inlezen met een HTML parser, lege textNodes strippen, en dan weer serializen werkt waarschijnlijk het best.

Jeetje, dat is mij wel wat boven mijn pet. Ik wil er best induiken, maar dacht zelf dat een oplossing met een regex ook zou kunnen, bijvoorbeeld:

PHP:

$output = preg_replace_callback("/>[^<]*<\\/textarea/", "do_stuff", $output);

De functie do_stuff zou dan de linebrakes en multiple spaces in de textarea moeten bewaken, oid...iemand hier ideeen over?

[matthijsln]

Je kan beter mod_gzip oid gebruiken als je doel is om je HTTP body qua grootte in te perken, want een goede parser voor je HTML output schrijven die whitespace op de juiste plek intact laat is niet triviaal (omdat HTML niet zo simpel is als well-formed XML) en zal zeker trager zijn.

[Cousin Boneless]

PHP:

$array = preg_split('%(<(textarea|pre|blockquote)>[\s\S]*?</\2>)%i', $text, -1, PREG_SPLIT_DELIM_CAPTURE);

$result = '';
for ($i=0; $i<count($array); $i+=3)
{
    $result .= preg_replace('%([\s]*[\r\n][\s]*)%', '', $array[$i]);
    $result .= $array[$i+1];
}

echo $result;

Misschien heb je er wat aan..

[ Voor 9% gewijzigd door Cousin Boneless op 01-10-2008 01:25 . Reden: nu ook met <pre> en <blockquote> ]

[crisp]

<textarea> is 1, <pre> is nog een ander waar je rekening moet houding met het preserveren van whitespace

[Verwijderd]

Cousin Boneless schreef op woensdag 01 oktober 2008 @ 00:59:

PHP:

$array = preg_split('%(<(textarea|pre|blockquote)>[\s\S]*?</\2>)%i', $text, -1, PREG_SPLIT_DELIM_CAPTURE);

$result = '';
for ($i=0; $i<count($array); $i+=3)
{
    $result .= preg_replace('%([\s]*[\r\n][\s]*)%', '', $array[$i]);
    $result .= $array[$i+1];
}

echo $result;

Misschien heb je er wat aan..

Dank je wel, maar hiermee worden ook de newlines in een textarea gestript. Weet iemand waarom?

[AtleX]

Waarom wil je dit doen? Om je dataverkeer binnen de perken te houden? Gebruik dan mod_gzip of mod_deflate of een IIs variant, maar ga niet zo klooien. Code obfuscaten? Met een code formatter zie ik het zo weer netjes voor me, en met Firebug kan ik prima je hele DOM doorlopen. Eerlijk gezegd mis ik dus een beetje het nut hiervan.

[ Voor 8% gewijzigd door AtleX op 01-10-2008 08:17 ]

[dik_voormekaar]

crisp schreef op woensdag 01 oktober 2008 @ 01:03:
<textarea> is 1, <pre> is nog een ander waar je rekening moet houding met het preserveren van whitespace

<script> ... </script> is er nog zo een.

[MueR]

Voor script in principe niet hoor. Als jij je aanwent elke statement netjes af te sluiten met een semicolon, kan je complete classes op 1 regel kloppen.

[crisp]

MueR schreef op woensdag 01 oktober 2008 @ 08:32:
Voor script in principe niet hoor. Als jij je aanwent elke statement netjes af te sluiten met een semicolon, kan je complete classes op 1 regel kloppen.

Feit is dat de semicolon in javascript niet verplicht is en vaker weggelaten wordt dan je denkt

[Voutloos]

Dan nog maakt Atlex een goed punt. Als ts nog niets met gzip of iets dergelijks doet kan hij wellicht eerst beter daar naar kijken.

[T-MOB]

En dan is er ook nog:

Cascading Stylesheet:

white-space: pre;

* T-MOB raadt ook mod-gzip aan...

[PrisonerOfPain]

crisp schreef op woensdag 01 oktober 2008 @ 11:50:
[...]

Feit is dat de semicolon in javascript niet verplicht is en vaker weggelaten wordt dan je denkt

Dat hangt redelijk af van de context. In statements als while(foo != bar++); is de semicolon verplicht, net als na return, break, continue en do-while bijvoorbeeld. De exacte regels voor Automatic Semicolon Insertion (zoals dat in de EMCA standaard zo mooi heet) weet ik niet uit m'n hoofd.

Verder als de whitespace er perse uit moet kun je de DOM traversen en de nodes die alleen uit whitespace bestaan verwijderen. Daarna kun je (eventueel) context aware nog de nodes die niet pre, textarea, style="white-space: pre" et cetera hebben strippen. Punt is dat dat een vrij foutgevoelig proces is.

[samo]

In PHP5 is Tidy geloof ik makkelijk benaderbaar. Die heeft ook een optie voor whitespaces trimmen. php.net.

[Guillome]

Een vluchtige gedachte:
Alle linebreaks binnen een textarea vervangen door een unieke code (##ENTER## ofzo)
Daarna alle linebreaks verwijderen (\n\r dus)
Daarna alle ##ENTER## vervangen door linebreak.

[Guillome]

PrisonerOfPain schreef op woensdag 01 oktober 2008 @ 12:54:
[...]


Dat hangt redelijk af van de context. In statements als while(foo != bar++); is de semicolon verplicht

Is dat zo??

code:

while (tmp = get_next())
{
}

Is toch juist?

[crisp]

PrisonerOfPain schreef op woensdag 01 oktober 2008 @ 12:54:
[...]


Dat hangt redelijk af van de context. In statements als while(foo != bar++); is de semicolon verplicht, net als na return, break, continue en do-while bijvoorbeeld. De exacte regels voor Automatic Semicolon Insertion (zoals dat in de EMCA standaard zo mooi heet) weet ik niet uit m'n hoofd.

De semi-colon is daar in zoverre verplicht dat het anders iets anders doet dan wat je voor ogen had

Ik bedoelde te zeggen dat veel mensen toch semi-colons weglaten na bepaalde statements en declaraties waar je 'm eigenlijk wel zou moeten plaatsen wil je successvol whitespace kunnen strippen. Guillomme geeft hierboven al een voorbeeld, een ander voorbeeld is een functie declaratie:

JavaScript:

function foo()
{
  return 'bar';
}; // <-- belangrijk!

[.oisyn]

Waarom is die belangrijk? Dit werkt gewoon:

JavaScript:

function foo() { } function bar() { }

't Wordt natuurlijk wat anders als je zegt

JavaScript:

foo = function()
{
}; // <-- nu wel belangrijk!

[ Voor 36% gewijzigd door .oisyn op 01-10-2008 13:54 ]

[Snake]

JavaScript:

        function blah()
{
    alert("eerste")
    alert("tweede")
}

Dit zal ook niet werken op 1 regel

[.oisyn]

Hence crisp in "[PHP] Whitespace strippen van html output", wat de oorzaak was van deze hele subdiscussie

[ Voor 22% gewijzigd door .oisyn op 01-10-2008 13:59 ]

[PrisonerOfPain]

Guillome schreef op woensdag 01 oktober 2008 @ 13:02:
[...]

Is dat zo??

code:

while (tmp = get_next())
{
}

Is toch juist?

Correct, wat ik bedoelde te zeggen was dat je daar dus geen whitespace kunt plaatsen als vervanging.

[crisp]

.oisyn schreef op woensdag 01 oktober 2008 @ 13:51:
Waarom is die belangrijk? Dit werkt gewoon:

JavaScript:

function foo() { } function bar() { }

't Wordt natuurlijk wat anders als je zegt

JavaScript:

foo = function()
{
}; // <-- nu wel belangrijk!

d*mn, die bedoelde ik ook Zelfde geldt voor het gebruik van object literals e.d.:

JavaScript:

var foo = {
  bla: 1,
  woei: 2
}; // <-- ook belangrijk

en natuurlijk single-line comments, daar wil je de enter daarna ook niet strippen (als je de comment zelf niet stript)

[Voutloos]

Guillome schreef op woensdag 01 oktober 2008 @ 13:01:
Daarna alle linebreaks verwijderen (\n\r dus)

\r\n dus.

[Cousin Boneless]

Dank je wel, maar hiermee worden ook de newlines in een textarea gestript. Weet iemand waarom?

Als ik je voorbeeld er door haal, blijft de inhoud van de textarea intact. De oplossing werkt niet indien je attributen aan de textarea-tag toevoegt, maar dat is een minimale wijziging in de eerste regexp.

Ik idem trouwens iedereen die zegt dat dit maar een marginale oplossing biedt voor het inperken van je dataopslag. Ga eens na wat de verhouding is tussen de opslag van binaire data (jpegs etc) en dat van tekst.

[Guillome]

Voutloos schreef op woensdag 01 oktober 2008 @ 14:22:
[...]
\r\n dus.

Wat maakt dat nou uit?
preg_replace("/[\n\r]/"...

[.oisyn]

't Maakt ook niet zoveel uit. Maar \r is de mac linebreak, \n is de *nix linebreak, en de \r\n combinatie is de windows linebreak (die tevens gehanteerd wordt door de meeste textuele protocollen zoals HTTP en FTP). \n\r is niets, jij bedoelt alle individuele \r's en \n's, vandaar waarschijnlijk de verwarring.

[MueR]

Snake schreef op woensdag 01 oktober 2008 @ 13:58:

JavaScript:

        function blah()
{
    alert("eerste")
    alert("tweede")
}

Dit zal ook niet werken op 1 regel

Daarom zeg ik ook dat je dit netjes moet doen. Overal waar het kan, doen. Dit is gewoon slordig programmeren.

[ Voor 5% gewijzigd door MueR op 01-10-2008 15:08 ]

[Voutloos]

offtopic:
Hier maakt het ook niets uit, ik stoor mij gewoon altijd erg aan deze 4e zelfverzonnen variant. Move along people.

[.oisyn]

MueR schreef op woensdag 01 oktober 2008 @ 15:08:
[...]

Daarom zeg ik ook dat je dit netjes moet doen. Overal waar het kan, doen. Dit is gewoon slordig programmeren.

Onzin, er is niets slordigs aan. Het is pas slordig als je wel en geen puntkomma's om je statements af te sluiten door elkaar gaat gebruiken. Het punt is dat jij het slordig vindt omdat alle C-like dialecten de ; vereisen, maar dat is ook maar een conventie. Javascript deelt die conventie niet. Volgens jouw logica is programmeren in Basic ook slordig (ok, is wat voor te zeggen... Haskell dan ).

[ Voor 9% gewijzigd door .oisyn op 01-10-2008 16:19 ]

[MueR]

Goed, ik zal nuanceren, je moet consequent programmeren

[Verwijderd]

Cousin Boneless schreef op woensdag 01 oktober 2008 @ 00:59:

PHP:

$array = preg_split('%(<(textarea|pre|blockquote)>[\s\S]*?</\2>)%i', $text, -1, PREG_SPLIT_DELIM_CAPTURE);

$result = '';
for ($i=0; $i<count($array); $i+=3)
{
    $result .= preg_replace('%([\s]*[\r\n][\s]*)%', '', $array[$i]);
    $result .= $array[$i+1];
}

echo $result;

Misschien heb je er wat aan..

Cousin Boneless schreef op woensdag 01 oktober 2008 @ 14:22:
[...]

Als ik je voorbeeld er door haal, blijft de inhoud van de textarea intact. De oplossing werkt niet indien je attributen aan de textarea-tag toevoegt, maar dat is een minimale wijziging in de eerste regexp.

Hoe zou ik die dan moeten wijzigen?

[BalusC]

Gewoon alle karakters toestaan tussen de tagnaam en de sluittag.

Zoiets dus: <(textarea|pre|blockquote).*?>

[Verwijderd]

BalusC schreef op woensdag 01 oktober 2008 @ 17:44:
Gewoon alle karakters toestaan tussen de tagnaam en de sluittag.

Zoiets dus: <(textarea|pre|blockquote).*?>

Dank je wel, zo te zien werkt het perfect. Ik probeer me in te denken wanneer de functie die ik nu heb, problemen zou kunnen opleveren. Ik ga eea uitproberen, maar als iemand al ideeen heeft, dan hoor ik dat graag

[AtleX]

Ik vraag me nog steeds af waarom je dit wilt doen?