PHP正则表达式匹配嵌套HTML标签的方法和技巧

时间:2023-01-21 05:38:38

转载请注明出处:http://blog.csdn.net/donglynn/article/details/35788879


正则表达式是一个非常有用的编程技能。一般来说,简单的抓取一个HTML页面的某一条信息,比如<title>标题</title>,是很容易实现的。但是,我们往往要抓取某一个列表页面里的多个重复的<div></div>块里的特定内容,并且<div></div>块还有嵌套的使用,我们抓取的则是每个重复<div></div>块里的多个信息。同时,网页源文件不同于一般的字符串,其还存在大量的回车、换行和制表符,这些都造成了匹配失败。而初学者往往无法判断到底是哪个环节出现了问题,并且看到高度技巧化的正则表达式会感到非常沮丧,从而导致放弃问题的解决。

经过笔者多日的研究,终于摸索出以下方法和技巧,欢迎大家交流指正。


请看如下注意点和步骤:

1.注意/一定要被转义成\/,否则会报错

preg_match_all() [function.preg-match-all]: Unknown modifier


2.正则表达式用单引号'和/作为开始和结束的标界,比如'/reg partten/',采用这样的写法,正则表达式里的双引号"不必转义

比如,

$partten='/<div class="goods_item"><a href="([^<>]+)" target="_blank"><img data-ks-lazyload="([^<>]+)" alt="([^<>]+)" width="" height=""\/>/';


3.需要先去除所有的换行符、制表符、回车等等,对于便于阅读的html源文件由于上述符号的存在会造成无法匹配。

$str=preg_replace("/[\t\n\r]+/","",$str);


4.我们感兴趣的匹配信息,通常是html元素中的属性的值,因此要去除<>,否则只会匹配最后一条之前的全部信息。

比如,对于$string="<div><a href=“1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>",

$partten='/<div><a href=“(.+)”/';的匹配结果是:1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>

这是因为,上述给出的正则表达式确实没有限定匹配的范围只是第一个超链接<a href=“1.jpg”></a>。

因此,要想匹配上述三个超链接的 href属性,需要将上述匹配限定在<a href=“1.jpg”>里面,方法也很简单,将(.+)换成([^<>]+),即可。也就是说,这个匹配不包含下一个出现<>的地方,从而将匹配限定在同一个html标签内


做到以上几点,就可以完全无视html标签嵌套不嵌套的问题,从而抓取到一个页面所有的div重复块中我们感兴趣的内容,下附一例。


<?
//被匹配的html代码
$html='
<div class="goods">
<a href="http://url1111" target="_blank">
<img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/>
</a>
</div>
<div class="goods">
<a href="http://url2222" target="_blank">
<img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/>
</a>
</div>
<div class="goods">
<a href="http://url3333" target="_blank">
<img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/>
</a>
</div>';

//去掉换行、制表等特殊字符,可以echo一下看看效果
$html=preg_replace("/[\t\n\r]+/","",$html);

//匹配表达式,注意两点,一是包含在'/ /'里面,再就是/要做转义处理成\/
$partern='/<div class="goods"><a href="([^<>]+)" target="_blank"><img data-ks-lazyload="([^<>]+)" alt="([^<>]+)" width="" height=""\/><\/a><\/div>/';

//匹配结果
preg_match_all($partern,$html,$result);

//打印结果
var_dump($result);
?>

输出结果,一共有4个子数组,第一个子数组是匹配到的所有的项,后面三个子数组是我们匹配表达式里的三个匹配项:

array(4) {
[0]=>
array(3) {
[0]=>
string(144) "<div class="goods"><a href="http://url1111" target="_blank"><img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/></a></div>"
[1]=>
string(144) "<div class="goods"><a href="http://url2222" target="_blank"><img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/></a></div>"
[2]=>
string(144) "<div class="goods"><a href="http://url3333" target="_blank"><img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/></a></div>"
}
[1]=>
array(3) {
[0]=>
string(14) "http://url1111"
[1]=>
string(14) "http://url2222"
[2]=>
string(14) "http://url3333"
}
[2]=>
array(3) {
[0]=>
string(15) "http://1111.jpg"
[1]=>
string(15) "http://2222.jpg"
[2]=>
string(15) "http://3333.jpg"
}
[3]=>
array(3) {
[0]=>
string(7) "alt1111"
[1]=>
string(7) "alt2222"
[2]=>
string(7) "alt3333"
}
}