如何在 php 中使用正则表达式正确获取表中的所有 html 元素？答案

【问题标题】：How to properly get all html elements inside a table using regex in php?如何在 php 中使用正则表达式正确获取表中的所有 html 元素？
【发布时间】：2018-08-31 08:45:38
【问题描述】：

所以我正在使用 regex101.com 来测试我的字符串，但我无法获得所需的输出。我制作的样品可以在这里查看https://regex101.com/r/YQTW4c/2。

所以我的正则表达式是这样的：

<table class=\"datatable\s\">(.*?)<\/table>

和示例字符串：

<table class="datatable"><thead><tr><tr></thead></table>

我想获取表类数据表中的所有内容，在本例中为<thead><tr><tr></thead>。

我在这里遗漏了什么吗？任何帮助将不胜感激。

【问题讨论】：

你不能正确使用regex获取HTML内容，因为这里的工具是错误的。有什么原因无法解析 HTML？
@Xufox 我正在从网站上抓取数据..
不要这样做。 stackoverflow.com/a/1732454/486035 。使用适当的解析工具。例如。 php.net/manual/en/book.dom.php

标签： php html regex html-content-extraction

【解决方案1】：

您的问题（如 regex101 所述）是

"\s matches any whitespace character (equal to [\r\n\t\f\v ])"

因此，您的正则表达式需要数据表中的 e 和不存在的“之间的空白字符。如果您想在该 e 和“之间允许零个或多个空格，您需要将您的正则表达式更改为

<table class=\"datatable\s*\">(.*?)<\/table>

请注意，在正则表达式中转义 " 不是必需的（但我认为它们在那里是因为您的正则表达式是带引号的字符串）。

其他人所说的不使用正则表达式来解析 HTML 是非常正确的；例如，如果嵌套了两个具有“datatable”类的表，则此正则表达式将失败。如果使用其他类实例化数据表，它也会失败。使用为此目的构建的 PHP 工具要好得多。

【讨论】：

【解决方案2】：

志愿者非常非常频繁地敦促开发人员使用 DomDocument，但很少有人真正编写出可行的解决方案。 ...所以我将提供一个使用 DomDocument 和 XPath 的解决方案。

table 标记使用它的类来定位，item(0) 是它的第一个孩子。 saveHTML() 是您提取数据的方式。

代码：(Demo)

$html = <<<HTML
<table class="datatable"><thead><tr><tr></thead></table>
HTML;

$dom=new DOMDocument; 
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$node = $xpath->evaluate("//table[contains(@class, 'datatable')]/*")->item(0);
echo $dom->saveHTML($node);

输出：

<thead>
<tr></tr>
<tr></tr>
</thead>

*请注意，输出 dom 已“更正”，包含关闭 </tr> 标记。

【讨论】：