Удалить все пустые теги HTML?

Во-первых, обратите внимание, что пустые элементы HTML по определению не являются вложенными.

Обновление: приведенное ниже решение теперь рекурсивно применяет регулярное выражение пустого элемента для удаления структур "nested-empty-element", таких как: <p><strong></strong></p> (с учетом предостережений, указанных ниже).

Простая версия:

Это работает очень хорошо (см. предостережения ниже) для HTML, не имеющего атрибутов начального тега, содержащих <> забавные вещи, в виде (непроверенного) фрагмента VB.NET:

Dim RegexObj As New Regex("<(\w+)\b[^>]*>\s*</\1\s*>")
Do While RegexObj.IsMatch(html)
    html = RegexObj.Replace(html, "")
Loop

Расширенная версия

<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>

Вот раскомментированная расширенная версия в VB.NET (непроверенная):

Dim RegexObj As New Regex("<(\w+)\b(?:\s+[\w\-.:]+(?:\s*=\s*(?:""[^""]*""|'[^']*'|[\w\-.:]+))?)*\s*/?>\s*</\1\s*>")
Do While RegexObj.IsMatch(html)
    html = RegexObj.Replace(html, "")
Loop

Это более сложное регулярное выражение правильно соответствует допустимому пустому элементу HTML 4.01, даже если в его значениях атрибутов есть угловые скобки (еще раз с учетом приведенных ниже предостережений). Другими словами, это регулярное выражение правильно обрабатывает все значения атрибутов начального тега, которые заключены в кавычки (которые могут иметь <>), не заключены в кавычки (что не может быть) и пусты. Вот полностью прокомментированная (и протестированная) версия PHP:

function strip_empty_tags($text) {
    // Match empty elements (attribute values may have angle brackets).
    $re = '%
        # Regex to match an empty HTML 4.01 Transitional element.
        <                    # Opening tag opening "<" delimiter.
        (\w+)\b              # $1 Tag name.
        (?:                  # Non-capture group for optional attribute(s).
          \s+                # Attributes must be separated by whitespace.
          [\w\-.:]+          # Attribute name is required for attr=value pair.
          (?:                # Non-capture group for optional attribute value.
            \s*=\s*          # Name and value separated by "=" and optional ws.
            (?:              # Non-capture group for attrib value alternatives.
              "[^"]*"        # Double quoted string.
            | \'[^\']*\'     # Single quoted string.
            | [\w\-.:]+      # Non-quoted attrib value can be A-Z0-9-._:
            )                # End of attribute value alternatives.
          )?                 # Attribute value is optional.
        )*                   # Allow zero or more attribute=value pairs
        \s*                  # Whitespace is allowed before closing delimiter.
        >                    # Opening tag closing ">" delimiter.
        \s*                  # Content is zero or more whitespace.
        </\1\s*>             # Element closing tag.
        %x';
    while (preg_match($re, $text)) {
        // Recursively remove innermost empty elements.
        $text = preg_replace($re, '', $text);
    }
}

Предупреждения. Эта функция не анализирует HTML. Он просто сопоставляет и удаляет любую последовательность текстовых шаблонов, соответствующую действительному пустому элементу HTML 4.01 (который по определению не является вложенным). Обратите внимание, что это также ошибочно сопоставляет и удаляет один и тот же текстовый шаблон, который может встречаться за пределами обычной разметки HTML, например, внутри тегов SCRIPT и STYLE, комментариев HTML и атрибутов других открывающих тегов. Это регулярное выражение не работает с короткими тегами. Любому поклоннику bobenc, который хочет дать этому ответу автоматический голос против, пожалуйста, покажите мне один допустимый пустой элемент HTML 4.01, которому это регулярное выражение не соответствует. Это регулярное выражение соответствует спецификации W3C и действительно работает.

Обновление. Это решение с регулярными выражениями также не работает (и ошибочно удаляет допустимую разметку), если вы делаете что-то безумно маловероятное (но совершенно правильное), например:

<div att="<p att='">stuff</div><div att="'></p>'">stuff</div>

Резюме:

Если подумать, просто используйте парсер HTML!

Проблема, с которой вы сталкиваетесь, — это произвольные уровни вложенности, которые нельзя сопоставить со стандартным регулярным выражением. Я полагаю, вы могли бы применять одну и ту же замену регулярного выражения снова и снова, пока ничего не останется. Но есть решения получше, например специальная библиотека для разбора HTML.

Вы не можете сделать это с помощью регулярного выражения. Вероятно, вы могли бы использовать синтаксический анализатор xml, предполагая, что html правильно сформирован.

Почему рекурсивный, вы можете просто запустить

 <(\w+)\s*>\s*</\1\s*>

и замените его ничем, и продолжайте применять это регулярное выражение, пока ваш ввод больше не изменится.