从抓取的 HTML 中提取 Javascript 对象的正则表达式答案

【问题标题】：Regular Expression to Extract Javascript Object from Scraped HTML从抓取的 HTML 中提取 Javascript 对象的正则表达式
【发布时间】：2016-10-13 17:18:07
【问题描述】：

我有一个整页的 HTML 抓取，其中有很多标记，包括 HTML/CSS/JS 代码。

下面的示例（剥离的内容）

<p>blah blah blah html</p>
<script type="text/javascript">window._userData ={"country_code": "PK", "language_code": "en",user:[{"user": {"username": "johndoe", "follows":12,"biography":"blah blah blah","feedback_score":99}}],"another_var":"another value"} </script>
<script> //multiple script tags can be here... </script>
<p>blah blah blah html</p>

现在我想提取 window._userData 中的对象，然后如果可能的话，将提取的字符串转换为 PHP 对象/数组。

我尝试了一些在 SO 上找到的正则表达式，但无法正常工作。

我在这里也试过类似的答案Regular expression extract a JavaScript variable in PHP

谢谢

【问题讨论】：

您要提取的对象不正确。
@splash58 我已经添加了缺少的 } ，感谢您的评论，请问有什么解决方案吗？
此外，它不能包含空格，并且必须将所有键放在引号中 - `{"country_code":"PK","language_code":"en","user":[{"user": {"username": "johndoe","follows":12,"biography":"blah blah blah","feedback_score":99}}],"another_var":"another value"}'
/<script[^>]*>\s*window\._userData\s*=\s*([\s\S]*?)<\/script>/ 并用 json 解析

标签： javascript php html regex web-scraping

【解决方案1】：

通过正则表达式查找

preg_match('/\bwindow\._userData\s*=(.+)(?=;|<\/script)/', $html, $m);

解码

json_decode(trim($m[1]), true);

但在您应该在该 html 中生成正确的 json 之前。

【讨论】：

这是正确的答案，但是当脚本标签包含多个 JS 对象和/或对象包含带有; 的字符串时，您仍然会遇到问题。如果你能排除它会起作用。编辑：JS 不是常规语言，因此this answer applies
@JohannesStadler 如果 json 包含 ; 或 EOL，这确实是个问题，我不知道如何解决
我认为使用正则表达式是不可能的。 Js 不是常规语言，所以正则表达式有其局限性。
@JohannesStadler Yuo 是对的。不幸的是，我不知道任何解析 js 的库，但 js 本身:)。