使用 PHP 解析 HTML DOM

Question

我有这个 html 代码：

<marquee  align="left" id="LatestNewsM" SCROLLAMOUNT="4" loop="infinite" direction="right">

            <font dir="rtl" valign="top" class="StringTheme" style="font-size:14px;">test test test</font>  
            <img src="/Portal/images/LightVersionWeb2/jazeeraTicSep.gif" align="middle">

            <font dir="rtl" valign="top" class="StringTheme" style="font-size:14px;">test sample text sample</font>  
            <img src="/Portal/images/LightVersionWeb2/jazeeraTicSep.gif" align="middle">

            <font dir="rtl" valign="top" class="StringTheme" style="font-size:14px;">text text 222 another text</font>  
            <img src="/Portal/images/LightVersionWeb2/jazeeraTicSep.gif" align="middle">
            ...........
            .....
</marquee>

还有这个 PHP 代码：

$homepage = file_get_contents('http://www.site.com');

如何在内容中搜索并仅获取字体标签 <font> 中的文本

Answer 1

你有几个选择，ThiefMaster 提到的一个是不使用“正则表达式”，使用 strpos 和 substr 或使用 DOM/XML 解析器。

如果你使用正则表达式，你可能会得到这样的结果：

/<font[^>]*>.*<\/font>/i

在这样的数据上运行时：

> Hello, this is my brutal <font>font
> <font>tag</font> right</font> it is

你最终会得到（如果贪婪）

<font>font <font>tag</font> right</font>

或者如果不贪心

<font>font <font>tag</font>

您可以使用否定的前瞻性并做得更好，但这仍然不是一个好的解决方案（这个例子是为了向您展示为什么，正则表达式尽可能简单）

如果你使用strpos和substr，你必须一个一个地查看所有字符并自己解析文档（匹配开始和结束标签，跳过属性）或者你可以尝试

$opening = strpos($dataset, '<font', $closing) // closing is at offset zero
$closing = strpos($dataset, '</font', $opening) // start at opening tag

以此类推，直到您全部解析完为止。

如果您使用 DOM/XML 解析器，您可能需要考虑这一点，使用 file_get_contents 或 file() 将整个文件加载到内存中，就像大多数 DOM/XML 解析器一样，我会使用 XMLReader（流式传输而不是加载整个文件在内存中，解析它，构建树），效率更高。

附言这里已经很晚了（凌晨 3:00），如有拼写错误，请见谅。谢谢你。 :)

Answer 2

将很有用：
http://php.net/manual/en/function.strip-tags.php - 从文本中删除所有标签
http://php.net/manual/en/book.simplexml.php - 解析 XML

如果 HTML 将是有效的（目前不是 - 'img' 标签未关闭），可以使用这样的东西：

$xml = new SimpleXMLElement($data);
$fonts = $xml->xpath('/marquee/font');
foreach ($fonts as $font) print $font[0].PHP_EOL;