从文本中提取规范列表（未知格式）答案

【问题标题】：Extract specification list from text (unknown format)从文本中提取规范列表（未知格式）
【发布时间】：2018-11-12 08:46:24
【问题描述】：

如何从格式未知的产品描述中提取规格（有时是无序列表，有时是 br 元素等），但它在前面看起来总是一样。

视觉效果是这样的：

一些描述文字，有时是一个句子，有时更多..

== 有时这里是空行，有时不是 ==

规格项目1

规格项目2

有没有办法在 PHP 中提取“通过它的视觉”？

例子：

<h2> desc <br>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>

【问题讨论】：

你尝试了什么？
你想提取什么？你试过什么？
我只需要提取那个“规格列表”并且我尝试过： 1. 提取 dbl br elem 之后的所有内容。 - 不起作用，有时它只有 1、2。尝试 find > char，不起作用，有时它在顶部文本描述中，或者有时该列表在行首没有 >。我想有一种方法可以unHTML 它，但让视觉格式以相同的方式，然后以某种方式提取它.. 真的不知道如何移动它

标签： php text information-extraction

【解决方案1】：

您可以尝试过滤您的条目。我已经设法将您的示例放入数组中。这将是一个与结果有点争论的情况：

<?php

$html =<<<HTML
<h2> desc </h2>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>
HTML;

$no_html       = strip_tags($html);
$no_entities   = preg_replace('/&#?[a-z0-9]+;/i', '', $no_html);
$parts         = preg_split('/\R/', $no_entities);
$trimmed_parts = array_map('trim', $parts);
var_export($trimmed_parts);

输出：

array (
    0 => 'desc',
    1 => '',
    2 => 'T Shirt',
    3 => 'Breathable mesh fabric',
    4 => 'Reflective detail',
    5 => 'Flat lock seams',
)

【讨论】：

实体的过滤可能是破坏性的，如果说你在描述中编码了&符号。或者，如果是这种情况，您可以将匹配项锚定到行首，或者放弃更具体的通用规则。
希望如果你有 html 列表，你有换行符。否则，这些可能是更多的工作。您可能需要不同的食谱。试一试，如果示例输入、您尝试过的内容和期望的输出有问题，请返回。
如果您可以扩展该功能以将 ul>li 列表转换为正在提取的格式，这将是 100% 正确答案
它可以很好地工作，无需对 ul li 列表进行调整。但是，如果 lis 之间没有换行，则可能不会。相反，您可能需要在 ul 或 li 标签上展开，然后以类似方式剥离。

【解决方案2】：

这可以通过 file_get_contents() 和一些正则表达式处理来完成。请确保您在 PHP.ini (fopen URL wrappers) 中启用了正确的设置

参考： http://php.net/manual/en/filesystem.configuration.php

示例代码：

<?php

$page = file_get_contents('Provide your url here');

preg_match("/regex pattern here/", $page, $agent_name);

// display agent name matches
print_r($agent_name)

个人建议 - 使用 python 会简化这个过程。为此目的已经有很多软件包可用。例如- bs4

【讨论】：

我的数据库中有那个描述，所以我不需要获取那个内容，这个问题只是关于你没有提供的那个正则表达式..