【问题标题】：Using regexes to find result from HTML table使用正则表达式从 HTML 表中查找结果
【发布时间】：2013-06-16 19:25:52
【问题描述】：

我遇到了一些正则表达式问题。

我有一个巨大的 html 文件，我需要从文件中提取一些文本（型号）。

<table>......
<td colspan="2" align="center" class="thumimages"><b>SK10014</b></td></tr> 
.......

<table>/.....
<td colspan="2" align="center" class="thumimages"><b>SK1998</b></td></tr> 

.... so on

这是一个巨大的页面，所有网页都内置于表格和无div...

“thumimages”类几乎在所有 td 中重复，因此无法区分页面中需要的内容。

大约有10000个型号，我需要提取它们。

有没有办法用正则表达式做到这一点......就像

"/<td colspan="2" align="center" class="thumimages"><b>{[1-9]}</b></td></tr>/"

并返回所有匹配结果的数组。注意我已经尝试过 HTML 解析，但文档包含许多 html 验证错误。

任何帮助将不胜感激...

【问题讨论】：

不要使用正则表达式解析 HTML。您无法使用正则表达式可靠地解析 HTML，并且您将面临悲伤和挫败感。一旦 HTML 与您的期望发生变化，您的代码就会被破坏。有关如何使用已经编写、测试和调试的 PHP 模块正确解析 HTML 的示例，请参阅 htmlparsing.com/php。

标签： php regex html-parsing

【解决方案1】：

说明

这将匹配所有td 字段与class="thumimages" 并检索内部b 标记的内容。内部文本需要有一些价值，任何前导或尾随空格都将被删除。

<td\b(?=\s)(?=[^>]*\s\bclass=(["'])thumimages\1)[^>]*><b>\s*(?!<)([^<\s]+)\s*<\/b><\/td>

组

Group 0 获取从打开标签到关闭标签的整个 td 标签

获取围绕类值的打开引号，以确保也找到正确的关闭捕获
得到想要的文字

PHP 代码示例：

输入文字

<table>......
<td colspan="2" align="center" class="thumimages"><b>SK10014</b></td></tr> 
.......
<table>/.....
<td colspan="2" align="center" class="thumimages"><b>     </b></td></tr> 


<table>/.....
<td colspan="2" align="center" class="thumimages"><b>   SK1998    </b></td></tr>

代码

<?php
$sourcestring="your source string";
preg_match_all('/<td\b(?=\s)(?=[^>]*\s\bclass=(["'])thumimages\1)[^>]*><b>\s*(?!<)([^<\s]+)\s*<\/b><\/td>/imsx',$sourcestring,$matches);
echo "<pre>".print_r($matches,true);
?>

匹配

$matches Array:
(
    [0] => Array
        (
            [0] => <td colspan="2" align="center" class="thumimages"><b>SK10014</b></td>
            [1] => <td colspan="2" align="center" class="thumimages"><b>   SK1998    </b></td>
        )

    [1] => Array
        (
            [0] => "
            [1] => "
        )

    [2] => Array
        (
            [0] => SK10014
            [1] => SK1998
        )

)

【讨论】：

【解决方案2】：

使用 DOMDocument 的方法：

// $html stands for your html content
$doc = new DOMDocument();
@$doc->loadHTML($html);
$td_nodes = $doc->getElementsByTagName('td');

foreach($td_nodes as $td_node){
    if ($td_node->getAttribute('class')=='thumimages')
        echo $td_node->firstChild->textContent.'<br/>';
 }

使用正则表达式的方法：

$pattern = <<<'LOD'
~
<td (?>[^>c]++|\bc(?!lass\b))+ # begining of td tag until the word "class" 
class \s*+ = \s*+              # "class=" with variable spaces around the "="
(["']?+) thumimages\b \1       # "thumimages" between quotes or not 
(?>[^>]++|(?<!b)>)+>           # all characters until the ">" from "<b>"
\s*+  \K                       # any spaces and pattern reset

[^<\s]++                    # all chars that are not a "<" or a space
~xi
LOD;

preg_match_all($pattern, $html, $matches);

echo '<pre>' . print_r($matches[0], true);

【讨论】：

我同意 HTML 解析可能是最好的解决方案，但是请求者确实在此处对另一个答案发表了评论，称 html 源代码格式不正确并且正在丢弃验证错误。

【解决方案3】：

/(<td colspan="2" align="center" class="thumimages"><b>)([a-z0-9]+)(</b></td></tr>)/i

这行得通。

【讨论】：

我用这个得到一个空白数组.. Array ( [0] => Array ( ) [1] => Array ( ) [2] => Array ( ) [3] => Array ( ) )....
我用 preg_match_all('|()([a-z0-9]+)()|i', $content, $matchesarray);
我认为您需要使用 \ 某些 html 字符（例如 / ）转义，也许 =

【解决方案4】：

可以使用phpDOMDocument类

<?php
    $dom = new DOMDocument();
    @$dom->loadHTMLFile('load.html');
    $xpath = new DOMXPath($dom);

     foreach($xpath->query('//tr') as $tr){
        echo $xpath->query('.//td[@class="thumimages"]', $tr)->item(0)->nodeValue.'<br/>';
     }
?>

【讨论】：

试过了，但是文档包含很多 html 验证错误。