如何使用正则表达式从 HTML 中获取字符串？答案

【问题标题】：How to get string from HTML with regex?如何使用正则表达式从 HTML 中获取字符串？
【发布时间】：2011-03-18 22:01:42
【问题描述】：

我正在尝试从 html 页面解析块，所以我尝试使用 php 来 preg_match 这个块

if( preg_match('<\/div>(.*?)<div class="adsdiv">', $data, $t))

但不起作用

</div>

blablabla

blablabla

blablabla

<div class="adsdiv">

我只想要 grep blablabla blablabla 单词任何帮助

【问题讨论】：

请准确描述您想要匹配的 html 文本？

标签： php regex html-parsing

【解决方案1】：

Regex aint the right tool for this。这是使用 DOM 的方法

$html = <<< HTML
<div class="parent">
    <div>
        <p>previous div<p>
    </div>
    blablabla
    blablabla
    blablabla
    <div class="adsdiv">
        <p>other content</p>
    </div>
</div>
HTML;

HTML 文档中的内容是 TextNodes。标签是元素节点。具有 blablabla 内容的 TextNode 必须有一个父节点。为了获取 TextNode 值，我们假设您想要 div 的 ParentNode 的所有 TextNode 以及 adsdiv 的 class 属性

$dom = new DOMDocument;
$dom->loadHTML($html);
$xPath = new DOMXPath($dom);
$nodes = $xPath->query('//div[@class="adsdiv"]');
foreach($nodes as $node) {
    foreach($node->parentNode->childNodes as $child) {
        if($child instanceof DOMText) {
            echo $child->nodeValue;
        }
    };
}

是的，它不是一个时髦的单行，但它也少了很多令人头疼的问题，并且让您可以可靠地控制 HTML 文档。利用 XPath 的查询能力，我们可以将上述内容缩短为

$nodes = $xPath->query('//div[@class="adsdiv"]/../text()');
foreach($nodes as $node) {
    echo $node->nodeValue;
}

我故意把它写得很详细来说明如何使用 DOM。

【讨论】：

【解决方案2】：

除了上面所说的之外，还要添加/s 修饰符，以便. 将匹配换行符。（编辑：正如 Alan 指出的那样，[^<]+ 无论如何都会匹配换行符）

我也总是使用/U，因为在这些情况下，您通常需要默认的最小匹配。（也会更快）。还有/i，因为人们说<div>、<DIV>，甚至<Div>...

if (preg_match('/<\/div>([^<]+)<div class="adsdiv">/Usi', $data, $match))
{
    echo "Found: ".$match[1]."<br>";
} else {
    echo "Not found<br>";
}

编辑让它更明确一点！

【讨论】：

感谢 mvds 的回复，但它以空结果回复意味着不起作用
好的，我添加了一个小代码，展示了如何从中获取匹配的部分。这应该可以工作（尽管它要求输入完全您正在显示的内容；即不是类似firefox的“查看源代码”格式化的html！）
[^<] 将匹配换行符，无论您是否使用 /s 修饰符。
我建议不要养成使用 /U 修饰符的习惯。最好改掉使用.*的习惯。不情愿的量词通过避免过度回溯来加速匹配，但您已经通过使用 [^<]+ 而不是 .* 来处理这一点。如果有的话，/U 会减慢您的速度，因为逐字符、不情愿的量词比贪婪的量词慢。

【解决方案3】：

来自PHP Manual：

s (PCRE_DOTALL) - 如果设置了此修饰符，则模式匹配所有字符，包括换行符。没有它，换行符被排除在外。这个修饰符相当于 Perl 的 /s 修饰符。一种负类，例如 [^a] 总是匹配换行符，独立于此的设置修饰符。

所以，以下应该可以工作：

if (preg_match('~<\/div>(.*?)<div class="adsdiv">~s', $data, $t))

~ 用于分隔正则表达式。

【讨论】：

【解决方案4】：

您需要对正则表达式进行分隔；请改用/<\/div>(.*?)<div class="adsdiv">/。

【讨论】：

虽然没有解决OP的问题，但这是的一个有效点。问题中的正则表达式缺少分隔符，如果您尝试使用它会引发异常。