Исправление HTML без php-tidy

[dem66]

Доброго времени суток.
Пытаюсь написать скрипт который будет исправлять HTML разметку страниц, без использования php-tidy.

Пока безрезультатно, пробовал гуглить, в сети находится только примитивное и не работающее.

Типа как вот это

PHP код:

function close_dangling_tags($html){
  #put all opened tags into an array
  preg_match_all("#<([a-z]+)( .*)?(?!/)>#iU",$html,$result);
  $openedtags=$result[1];
 
  #put all closed tags into an array
  preg_match_all("#</([a-z]+)>#iU",$html,$result);
  $closedtags=$result[1];
  $len_opened = count($openedtags);
  # all tags are closed
  if(count($closedtags) == $len_opened){
    return $html;
  }
 
  $openedtags = array_reverse($openedtags);
  # close tags
  for($i=0;$i < $len_opened;$i++) {
    if (!in_array($openedtags[$i],$closedtags)){
      $html .= '</'.$openedtags[$i].'>';
    } else {
      unset($closedtags[array_search($openedtags[$i],$closedtags)]);
    }
  }
  return $html;
} 


[Andkorol]

Пробовал когда-то Jevix – в сложных ситуациях не фонтан, для простых очепяток и забытых тегов HTML сойдет.
Была ещё PHP-версия html5lib – но сейчас вроде уже не поддерживается, разрабы тоже сползли на python, как и в случае с Jevix...

[dem66]

Спасибо, но готовое решение интересует меньше, важно вобще разобратся как это делать.

Пока родился вот такой код

PHP код:

function correction($html, $cut_empty_tags=false){     
      //Теги которые трогать не надо
      $single_tags = array('meta'=>'','img'=>'','br'=>'','link'=>'','area'=>'','input'=>'','hr'=>'','col'=>'','param'=>'','base'=>'');
      
      //Регулярка для получения названий тегов
      $tag_pattern = "%([/a-z]+[\-\w_]* )%x";
    
      //Отдельно разметка и отдельно чистый текст
      $str = strip_tags($html);
      
      //Ищем все теги в тексте и их позиции 
      preg_match_all('/<.*?>/si', $html, $elements, PREG_OFFSET_CAPTURE); 
    
      
     // echo"<pre>\n";
      
      $tags = array();
      $plus = 0;
      
      //Расставляем теги по местам 
      foreach($elements[0] as $j => $tag){
        //Узнаем как называется текущий тег
        preg_match($tag_pattern, $tag[0], $mathes);
        
        if(isset($mathes[0])){
            //Убираем спереди слеш
            $curent = ltrim($mathes[0],'/');
            
            //Смотрим надо обрабатывать этот тег или нет
            if(!isset($single_tags[$curent])){
                //если тег закрывающий
                if($mathes[0][0] == '/'){
                    $i = (sizeof($tags)-1);
                    
                    //Если текущий тег не первый
                    if($j > 0){

                        if($elements[0][$j-1][0] != null){
                            //название предыдущего тега
                            preg_match($tag_pattern, $elements[0][$j-1][0], $mathes2);
                            
                            if(isset($mathes2[0])){
                                $prev = ltrim($mathes2[0],'/');
                                
                                //текущий тег не трогаем
                                if($prev != $curent){
                                    //Проходимся по тегам в обратном порядке и находим открытый тег
                                    do{
                                        if($tags[$i] == $curent){
                                            $elements[0][$i][0] = null;
                                            $tags[$i] = null;
                                            break;
                                        }

                                        $new_tag = "</".$tags[$i].">";
                                        $new = mb_strlen($new_tag);
                                            
                                        $str = str_ins(($tag[1]+$plus), $new_tag, $str);
                                            
                                        $plus += $new;
                                        
                                        $elements[0][$i][0] = null;
                                        $tags[$i] = null;
                                        
                                        $i--;
                                    }while($i >= 0);
                                }
                            }
                        }
                        $elements[0][$j-1][0] = null;
                    }
                    //убираем тег из общего списка
                    $elements[0][$j][0] = null;
                    
                    //echo $curent."<br><br>";
                    
                    $str = str_ins(($tag[1]+$plus), $tag[0], $str);
                }else{
                    //Тег окрывающий, значит добавляем в список    
                    $tags[] = $curent;

                    //Даобавляем текст и вставляем тег
                    $str = str_ins(($tag[1]+$plus), $tag[0], $str);
                }
            }else{
                $str = str_ins(($tag[1]+$plus), $tag[0], $str);
            }
        }

      }
      //print_r($elements[0]);
      
      //print_r($tags);
      
      //echo"</pre>\n";
     
      
     // Удаляем "пустые" теги, если задано 
      if($cut_empty_tags){ 
          $str = preg_replace('!<[^>/]+>\s*(<[^>]+>)*\s*(<[^/>]+>)*\s*</[^>]+>!si','',$str); 
      }

     return $str;
} 


Понимает вот такое

<p style="color: red">
	<a href=""><i>Привет!</a>
	<br>
	<a href=""><i><u>Привет!</a>
	<br>
	<a href=""><i>Привет!</a>
</p>
<p>
	<ul>
		<li><span>1</span></li>
		<li>2</li>
		<li>3</li>
		<li>4</li>
		<li>5</li>
		<li>6</li>
		<li>7</li>
		<li>8</li>
		<li>9</li>
		<li>10</li>
	</ul>
</p>
<b>Пока</b>

пытаюс дописать чтоб понимал еще и вот такой вариант

...
</p>
<h1>
<b>Пока</b>