正则表达式模式适用于字符串，但不适用于加载的文件内容

Question

我想提取“;”之间的单词和 XML 文件中的“:”，例如此处的“索引”一词

bla bla bla ;索引 : bla bla

文件通过其 URL 使用 file_get_contents 加载

$output = file_get_contents("https://fr.wikipedia.org/wiki/Sp%C3%A9cial:Exporter/Base_de_donn%C3%A9es");
       
 preg_match_all('/\;.[a-zA-Z]+.\:/', $output, $matches, PREG_SET_ORDER, 0);
 var_dump($matches);

正则表达式模式在使用regex101 的相同文件内容上以及当我将文本复制到字符串变量中时也可以正常工作。但是上面的代码不起作用，它只返回最后一个匹配项。

我做错了什么？

PS：我还尝试使用 DOMDocument 加载 XML 文件。结果相同。

Answer 1

一种低内存占用的方法，几个考虑因素：

• 文件很大（不是很大但很大）。
• 在这种情况下，您正在处理 xml 文件这一事实并不是很重要，因为您要查找的文本遵循它自己的基于行的格式（标准定义为XWiki format）独立于xml格式。 但是，如果您绝对想在这里使用 XML 解析器来提取 text 标记内容，我建议使用 XMLReader 代替 DOMDocument。
• 您要查找的行始终是单行，以; 开头（无缩进），下一行始终紧跟:。

一旦看到（右键单击，源代码），您可以选择逐行读取文件（而不是使用file_get_contents 加载整个文件）并使用生成器函数选择有趣的行：

$url = 'https://fr.wikipedia.org/wiki/Sp%C3%A9cial:Exporter/Base_de_donn%C3%A9es';

$handle = fopen($url, 'rb');

function filterLines($handle) {
    while (feof($handle) !== true) {
        $line = fgets($handle);
        if ( $line[0] == ';' ) {
            $temp = $line;
            continue;
        } 
        if ( $line[0] == ':' && $temp )
            yield $temp;            

        $temp = false;
    }
}

foreach (filterLines($handle) as $line) {
    if ( preg_match_all('~\b\p{Latin}+(?: \p{Latin}+)*\b~u', $line, $matches) )
        echo implode(', ', $matches[0]), PHP_EOL;
}

fclose($handle);