网页抓取 URL 末尾包含 </a> 结束标记如何删除答案

【问题标题】：Web scraping URL contains </a> end tag at the end how to remove网页抓取 URL 末尾包含 </a> 结束标记如何删除
【发布时间】：2017-11-21 10:45:49
【问题描述】：

所以我有这段代码来解析来自网站的 url 链接，但它在 url 的末尾包含和 </a> 结束标记，就像这样 http://www2.enekoshop.jp/shop/tadaseinikuten/</a>

$html = new simple_html_dom();
$html->load($xml->retdata);

$item = array();

foreach($html->find('body') as $home) {
    //some other fields here
    $email1 = preg_replace('/[^\00-\255]+/u','',trim($home->find('div[id="home"] div[id="mainblock"] div[class="txtblock"]', 8)->children(1)->plaintext));

    $email = filter_var($email1, FILTER_SANITIZE_EMAIL);

    if(filter_var($email, FILTER_VALIDATE_EMAIL)){
        $item['email'] = $email;
    } else {
        $item['email'] = NULL;
    }
}

虽然我使用plaintext 来抓取文本，但它有</a> 结束标记。如何删除它？

【问题讨论】：

Ehh 我很困惑，你将域放入一个名为$email 的变量中，然后在其上调用filter_var(..., FILTER_SANITIZE_EMAIL);？
如果</a> 标签始终存在，为什么不使用子字符串函数呢？ substr($url, 0, strlen($url) - 4);
@Paul-Etienne 这并没有真正解决问题，而是解决了症状。
$html是什么对象？
@Xatenev 它实际上来自 codeigniter 中的一个库。我将完成代码。

标签： php html regex parsing

【解决方案1】：

稍微扩展你的preg_replace() 模式怎么样？

旧模式：/[^\00-\255]+/u

新模式：~[^\00-\255]+|</a>$~u

Pattern & Replace Demo Link

我只是更改您的模式分隔符以避免转义 </a> 中的正斜杠并添加“替代”（| = 'or'）以匹配 </a> 仅在字符串末尾使用 @ 987654328@锚。

$email1 = preg_replace('~[^\00-\255]+|</a>$~u','',trim($home->find('div[id="home"] div[id="mainblock"] div[class="txtblock"]', 8)->children(1)->plaintext));

【讨论】：