0. 需求及背景

这是工作上遇到的一个问题

对文档内容进行分词解析，如果分词内容(关键词)在字典中存在，则使用字典对应的信息页面进行替换。

一般来说这个工作是在发布文档时，进行处理的，包括手工添加与自动添加，今天的这个情况从两个方面来说不得不做成一个动态替换的方案：

内容与分词包括处理并不在同一个业务内
替换时，允许字典发生变更，即被替换的关键词是变化的

1. 处理规则

大体规则是这样的

被替换的关键词是段落内容中的，即被 p 标签包裹
已经被 a 标签包裹的关键词不被替换
被自定义标签 generalize 标签包裹的关键词不需要被替换

2. 同事的方案

同事写了一段解决方案，但并不理想

<?php
	$preg = '/(<p\s[^>]*>.*(?<!<a>))奖学金((?!<\/a>).*<\/p>)/U';
	$doc = "<div><p></p><p><generalize > 奖学金 </generalize><p></p>----<a > 奖学金 </a>---- 奖学金 </p><p class='dd'>----- 奖学金 ----</p></div><p></p><p > 奖学金 </p>";
	echo $doc, PHP_EOL, PHP_EOL;
	$doc = preg_replace("$preg","$1#替换内容#$2", $doc);
	echo $doc, PHP_EOL, PHP_EOL;
	exit;
?>

很明显，内容中出现的第 3 个 奖学金 并没有被替换掉。

3. 我的思路

对于上面的情况，我换了个思路

使用类似 jQuery 的 php 文档匹配类处理

~~PHP Simple HTML DOM Parser~~
~~phpQuery~~

先来说一下第一个类，以前爬页面，抓数据时用过，效率不高，而且查阅文档，对 selector 支持的也不够好。果断 pass

phpQuery 使用起来友好些，功能也比前者更加强大，但依然存在一个问题，就是对标签匹配的能力有偏差，对于内容中排除部份数据的能力有限，当然也有可能是我的大脑短路了一下。暂时没有通过这个方法实现目标。

4. 中间方案

回家吃完晚饭，按处理逻辑整理了一份暂时能解决问题的方案，有时间再去优化完全正则的处理方式或使用类库的处理方式吧。

不多说，上代码 ;P

<?php
$document  = "<div><p></p><generalize > 奖学金 </generalize><p>----<a > 奖学金 </a>---- 奖学 金 </p><p class='dd'>----- <br/>奖学金 ----</p></div><br><p></p><p > 奖学金 </p>";
$document .= "<div><p></p><generalize > 奖学金 </generalize><p>----<a > 奖学金 </a>---- 奖学金 </p><p class='dd'>----- <br/>奖学金代理 ----</p></div><br><p></p><p > 奖学金代 </p>";

// 设置要忽略的标签列表，暂时包括 a 和 generalize 两个，可以再向其中添加
// 含意为 忽略标签包裹的关键词，不进行替换链接!!!
$ignoreTags = array('a', 'generalize');

// 测试使用的关键词
$test = array('奖学金','奖学金代','奖学金代理');

$orders = array();	// 临时数组，用于调整替换顺序
$words = array();	// 临时数组，用于记录要替换的关键词
// 先进预处理，优先替换长词，再替换短词 (如果忽略列表中没有 a 标签，可将下面的过程进行调整，每个步骤独立操作，而不是一个词一个词操作)
foreach ( $test as $i => $word ) {
	$md5 = md5($word);
	$len = strlen($word);
	$orders[$len] = $md5;
	$words[$md5] = $word;
}
krsort($orders);

// 进行循环替换
$count = 1;
foreach ( $orders as $i => $item ) {
	$word = $words[$item];
	$md5 = $item;
	$count ++;
	// 1. 初始替换
	$document = str_replace($word, $md5, $document);
}

$count = 1;
foreach ( $orders as $i => $item ) {
	$word = $words[$item];
	$md5 = $item;

	echo '>>> 第 ', $count, ' 次迭代, 当前替换 /关键词/ 为 [', $word, ']', PHP_EOL;
	$count ++;
	// 2. 恢复忽略的标签
	foreach ( $ignoreTags as $_i => $_tag ) {
		$_sub_reg = '/(<'.$_tag.'\s?[^>]*>.*) '.$md5.' (.*<\/'.$_tag.'>)/U';
		$document = preg_replace($_sub_reg, '$1'.$word.'$2', $document);
	}
	// 3. 替换该替换的数据
	$rep = '<a href="https://www.baidu.com/s?wd'.$word.'" target="_blank">'.$word.'</a>';
	$document = str_replace($md5, $rep, $document);
}


echo '[FANIAL] 最终结果 : ', $document, PHP_EOL;
?>

5. 哎，没别的了，洗洗碎了

先这样吧。已经挺晚了 😛

将关键词替换成指定网址