在 PHP 中需要正则表达式方面的帮助答案

【问题标题】：Need help with regular expressions in PHP在 PHP 中需要正则表达式方面的帮助
【发布时间】：2010-11-10 19:10:31
【问题描述】：

我正在尝试从一系列共享相同格式的 .html 中索引一些内容。

所以我得到了很多这样的行：<a href="meh">[18] blah blah blah < a...

这个想法是提取数字（18）和它旁边的文本（等等......）。此外，我知道每条符合条件的行都以"> 开头，以<a 或</p 结尾。问题源于需要将所有其他 htmHTML 标记保留为文本的一部分（<i>、<u> 等）。

那么我有这样的事情：

$docString = file_get_contents("http://whatever.com/some.htm");
$regex="/\">\ [(.*?)\ ] (<\/a>)(.) *?(<)/";
preg_match_all($regex,$docString,$match);

让我们看一下$regex。忽略它的空格，我只是把它们放在这里，否则一些字符会消失。我指定它将以"> 开头。然后我在[] 里面做数字。然后我挑出</a>。到目前为止一切顺利。

最后，我做了一个(.)*?(<)。这是转折点。通过留下最后一位，(<) 这样，当找到下划线或斜体标签时，文本将被中断。但是，如果我输入(<a|</p)，则结果数组最终为空。我尝试将其更改为仅 (<a)，但似乎 2 个字符搞砸了整个 ting。

我能做什么？我整天都在为此苦苦挣扎。

【问题讨论】：

标签： php html regex html-parsing

【解决方案1】：

PHP Tidy 是你的朋友。 Don't use regexes。

【讨论】：

【解决方案2】：

考虑到您的示例和描述，/">\[(.*)\](.*)(?:<(?:a|\/p))/ 之类的东西似乎可以正常工作。也许添加非捕获子模式可以吗？请提供一个反例，其中这对您不起作用。

虽然我同意 RegEx 不是解析器，但听起来您正在寻找的是一个有规律的字符串的一部分 - 这正是 RegEx 的强项。

【讨论】：

【解决方案3】：

如您所见，使用正则表达式解析 HTML 并不容易。这是因为 HTML 不是特别规则。

我建议使用 XML 解析器，例如 PHP 的 DomDocument。

创建一个对象，然后使用loadHTMLFile 方法打开文件。使用getElementsByTagName 提取您的a 标记，然后将内容提取为NodeValue 属性。

它可能看起来像

// Create a DomDocument object 
$html = new DOMDocument(); 

// Load the url's contents into the DOM 
$html->loadHTMLFile("http://whatever.com/some.htm"); 

// make an array to hold the text 
$anchors = array(); 

//Loop through the a tags and store them in an array 
foreach($html->getElementsByTagName('a') as $link) { 
    $anchors[] = $link->nodeValue;
    }

这种 XML/HTML 解析器的替代方案是phpquery。他们页面上的文档应该很好地解释了如何提取标签。如果你了解 jQuery，界面可能看起来更自然。

【讨论】：