多行 HTML 注释的正则表达式 (preg_match_all)答案

【问题标题】：Regex for multi-line HTML comments (preg_match_all)多行 HTML 注释的正则表达式 (preg_match_all)
【发布时间】：2011-02-04 19:06:38
【问题描述】：

我有一个带有多个注释掉的 PHP 数组的 html 文档，例如：

<!-- Array
(
[key] => 0
)
-->

使用 PHP，我需要以某种方式仅解析这些 cmets 的 HTML（还有其他需要忽略的 cmets）并提取内容。我一直在尝试使用preg_match_all，但我的正则表达式技能并不高。谁能指出我正确的方向？

非常感谢任何帮助！

【问题讨论】：

标签： php html regex comments

【解决方案1】：

三个事实在这里发挥作用

HTML 文档中没有任何地方可以显示文字“<!--”并且不是表示注释（在其他任何地方都将转义为“&amp;!--”）李>
您似乎不想更改文档内容，只查找其中的位（搜索和替换很有可能破坏文档，单独搜索没有）李>
cmets 不能嵌套在 HTML 中（与普通的 HTML 标签相反）——这一切都不同

上述组合意味着（你瞧）正则表达式可以用于识别 HTML cmets。

试试这个正则表达式：。匹配组 1 将包含 "Array" 之后的所有内容，直到评论的结束序列。

您可以对找到的位进行进一步的完整性检查，以确保它们确实是您正在寻找的。p>

【讨论】：

2.不正确：<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"> <title>Comments where you don't expect</title> <h1>Comments where you don't expect</h1>  <div> <img src="http://sstatic.net/so/img/logo.png" alt="<!-- this is just alt text"> </div>
为了清楚起见，我正在处理的文档是 XHTML 1.0 Strict
@David：是的，这是边缘情况（+1 评论）。我的评论是，在文档中使用非转义尖括号 anywhere 是不好的、不好的风格，除了标签（属性值是唯一可以使用 < 的地方……呃……容忍）。但我承认它可能发生在某个地方，当然您需要知道它是否会发生在您的数据中。
谢谢 - 这就是诀窍。很抱歉很厚，但是有没有办法删除 HTML 注释标签并只包含内容？
@David: a) HTML 并不是要尽可能避免尴尬的字符序列，因为它们会妨碍阅读。人类消费不是 HTML 的主要功能，正确地将标记和数据传输到用户代理才是。 b) 我不确定。你可以，因为 HTML 解析器是宽大的和宽容的。 c) 告诉我规范中允许的部分。 ;) 底线是 - “这是可能的”！= “你可以”。示例：可以在 PHP 中做到这一点：preg_replace("/\d/", "", $s)，但仍然是错误，因为它必须是 preg_replace("/\\d/", "", $s);`。正确的转义是关键。

【解决方案2】：

Don't parse HTML with regular expressions. Ever.

【讨论】：

是的。我永远不会说。在某些情况下它更容易并且工作得很好。这就像那些说“永远不要使用 goto”的人，然后想出最复杂的方法来打破嵌套循环。
我可以看到一般用途的基本原理，但在这种情况下，我知道我正在搜索的确切字符串...

【解决方案3】：

如何使用允许您访问 cmets 的 HTML 解析器（例如 Simple HTML DOM），然后使用 strpos 检查每个注释是否有新行。

$html = str_get_html('...HTML HERE...');
$comments = $html->find('comment');
foreach ( $comments as $comment ){
    if ( strpos($comment, "\n") !== false ){
        //process comment
    }
}

【讨论】：

谢谢 - 我想知道是否有办法通过 domDocument 做类似的事情？