用于嵌套 Div 标签的 PHP RegEx答案

【问题标题】：PHP RegExp for nested Div tags用于嵌套 Div 标签的 PHP RegEx
【发布时间】：2023-09-02 06:58:01
【问题描述】：

我需要一个可以与 PHP 的 preg_match_all() 一起使用的正则表达式来匹配 div-tags 中的内容。 div 看起来像这样：

<div id="t1">Content</div>

到目前为止，我已经想出了这个正则表达式，它可以匹配所有 id="t[number]" 的 div

/<div id="t(\\d)">(.*?)<\\/div>/

问题是当内容包含更多的 div 时，嵌套的 div 如下：

<div id="t1">Content <div>more stuff</div></div>

关于如何使我的正则表达式与嵌套标签一起工作的任何想法？

谢谢

【问题讨论】：

标签： php regex tags nested

【解决方案1】：

我认为使用一些DOM-instruments会更好

【讨论】：

谢谢，但我的文档包含错误，使用正则表达式会更容易
+1。如果它包含错误，则使用正则表达式会更加困难。

【解决方案2】：

我最近发现，正则表达式无法做到这一点。

Matching pair tag with regex

我最终使用了 xpath，它就像一个魅力

【讨论】：

感谢您的回答，我不使用 XPATH/DOM 解析的原因是文档包含错误。我找到了这个正则表达式：''#
]*>(?:(?:(?!?div).)*|(?R))*
#si'。但我无法根据自己的需要进行调整。
您在面对多个告诉您“不”的答案时的坚持值得称赞，但您真的无法使用正则表达式解析 HTML。

【解决方案3】：

改用解析器：

require_once "simple_html_dom.php";
$text = 'foo <div id="t1">Content <div>more stuff</div></div> bar <div>even more</div> baz  <div id="t2">yes</div>';
$html = str_get_html($text);
foreach($html->find('div') as $e) {
    if(isset($e->attr['id']) && preg_match('/^t\d++/', $e->attr['id'])) {
        echo $e->outertext . "\n";
    }
}

输出：

<div id="t1">Content <div>more stuff</div></div>
<div id="t2">yes</div>

在此处下载解析器：http://simplehtmldom.sourceforge.net/

编辑：更多是为了我自己的乐趣，我尝试在正则表达式中做到这一点。这是我想出的：

$text = 'foo <div id="t1">Content <div>more stuff</div></div> bar <div>even more</div>
      baz <div id="t2">yes <div>aaa<div>bbb<div>ccc</div>bbb</div>aaa</div> </div>';
if(preg_match_all('#<div\s+id="t\d+">[^<>]*(<div[^>]*>(?:[^<>]*|(?1))*</div>)[^<>]*</div>#si', $text, $matches)) {
    print_r($matches[0]);
}

输出：

Array
(
    [0] => <div id="t1">Content <div>more stuff</div></div>
    [1] => <div id="t2">yes <div>aaa<div>bbb<div>ccc</div>bbb</div>aaa</div> </div>
)

还有一个小解释：

<div\s+id="t\d+">  # match an opening 'div' with an id that starts with 't' and some digits
[^<>]*             # match zero or more chars other than '<' and '>'
(                  # open group 1
  <div[^>]*>       #   match an opening 'div'
  (?:              #   open a non-matching group
    [^<>]*         #     match zero or more chars other than '<' and '>'
    |              #     OR
    (?1)           #     recursively match what is defined by group 1
  )*               #   close the non-matching group and repeat it zero or more times
  </div>           #   match a closing 'div'
)                  # close group 1
[^<>]*             # match zero or more chars other than '<' and '>'
</div>             # match a closing 'div'

现在也许你明白为什么人们试图说服你不要不为此使用正则表达式。如前所述，如果 html 格式不正确，这将无济于事：我向您保证，正则表达式会比 html 解析器造成更大的输出混乱。此外，正则表达式可能会让您的眼睛流血，而您的同事（或将维护您的软件的人）可能会在看到您所做的事情后来找您。 :)

最好的办法是首先清理您的输入（使用TIDY 或类似方法），然后使用解析器获取您想要的信息。

【讨论】：

【解决方案4】：

如果你相信这个人，至少有一个正则表达式可以解决问题，他说它比dom方法快...... 我同意他的看法。

http://www.php.net/manual/fr/regexp.reference.recursive.php#95568

$pattern = "/<([\w]+)([^>]*?) (([\s]*\/>)| (>((([^<]*?|<\!\-\-.*?\-\->)| (?R))*)<\/\\1[\s]*>))/xsm";

【讨论】：