从 html 字符串中去除广告答案

【问题标题】：Strip out ad from html string从 html 字符串中去除广告
【发布时间】：2009-03-11 19:29:02
【问题描述】：

我有一个包含 html 字符串的变量。这个字符串有这个特定的代码

<a href="http://www.pheedo.com/click.phdo?s=xxxxxxxx&amp;p=1"><img border="0" src="http://www.pheedo.com/img.phdo?s=xxxxxxxxxx&amp;p=1" style="border: 0pt none ;" alt=""/></a>

使用正则表达式，我怎样才能删除它。基本上是在寻找 pheedo.com 域名，然后去掉链接和图片标签。

谢谢

【问题讨论】：

我不确定您尝试提取字符串的哪一部分。 “www.foobar.com”？
当域匹配 pheedo.com 时，他正在提取锚标签和子图像标签。

标签： php regex

【解决方案1】：

这是一个反答案：不要使用正则表达式操作任意 HTML！ HTML 是一个非常复杂的规范，正确解析它可能是一场噩梦。

使用像phpQuery 或内置的DOMDocument 这样的库，他们知道如何为您处理HTML 的所有奇怪之处。

【讨论】：

【解决方案2】：

对于更通用的方法，（文本/html 广告、同一域上的不同网址等...）您可以尝试

<a.*href="[^"]*pheedo.com[^"]*".*</a>

只需替换您找到的任何匹配项。请记住，如果有一个孩子<a/>，你就会遇到问题。

【讨论】：

【解决方案3】：

这应该与标签匹配（用 PHP 编写）：

$regex = "#<a href=\"http:\/\/www\.pheedo\.com[^>]+><img[^>]+><\/a>#"

【讨论】：

正则表达式中无需转义引号或正斜杠。这始终是宿主语言的要求，在没有正确上下文的情况下不应包含在内。
谢谢，这很好用。这与 PHP 配合得很好，我应该说，这就是我所追求的。

【解决方案4】：

    $text = '<a href="http://www.pheedo.com/click.phdo?s=xxxxxxxx&amp;p=1"><img border="0" src="http://www.pheedo.com/img.phdo?s=xxxxxxxxxx&amp;p=1" style="border: 0pt none ;" alt=""/></a>';
    $reg = "/href=\"(http:\/\/\S+?)\"/i";
    preg_match_all($reg, $text, $matches, PREG_PATTERN_ORDER);

    // $matches[1] should now hold all the domain name "www.pheeedo.com"

我这样做是为了你可以将一个页面传递给 preg 并在一个数组中获取所有匹配的结果.../

如果你有兴趣，我做了一些类似的东西来制作这个图像搜索工具。

http://www.iansimpsonarchitects.com/fraser

您可以通过页面上的链接查看完整的 PHP 源代码。

F.

【讨论】：