正则表达式从 HTML 中的标签获取特定信息 [关闭]

Question

我有一个带有如下标记代码的 HTML 页面：

<a href="#!/series/3078/series-name">
  <span class="title">This is series # 1</span>
  <span class="info">bla bla bla</span>
</a>

<a href="#!/series/3079/series-name-2">
  <span class="title">This is series # 2</span>
  <span class="info">bla bla bla</span>
</a>

<a href="#!/series/3080/series-name-3">
  <span class="title">This is series # 3</span>
  <span class="info">bla bla bla</span>
</a>

我需要获取“/series/”之后的数字和“title”类的内部跨度的文本。

如何在 PHP 上使用正则表达式来做到这一点？

感谢您的帮助

Answer 1

像 Pi 一样简单

这是一个 Perl 小程序，它演示了在非常规则且已知的组成的少量 HTML 上使用正则表达式是多么容易。

#!/usr/bin/env perl
$_ = do { local $/; <DATA> };    
while ( m!/series/(\d+)!g ) {
    print "Series $1: ";
    if ( m!<span class="title">(.*?)</span>!g ) {
        print $1;
    }
    print "\n";
}    
__END__

<a href="#!/series/3078/series-name">
  <span class="title">This is series # 1</span>
  <span class="info">bla bla bla</span>
</a>

<a href="#!/series/3079/series-name-2">
  <span class="title">This is series # 2</span>
  <span class="info">bla bla bla</span>
</a>

<a href="#!/series/3080/series-name-3">
  <span class="title">This is series # 3</span>
  <span class="info">bla bla bla</span>
</a>

运行时，该程序会打印出来：

Series 3078: This is series # 1
Series 3079: This is series # 2
Series 3080: This is series # 3

看看这有多容易？没什么。

同样的模式也适用于 PHP，因为我没有做任何只有 Perl 而不是 PCRE 做的事情。

---

另一方面...

构建会扰乱这种特殊方法的输入并不难。再说一次，弥补这一点也不难，正如我在 here 和 here 等其他地方展示的那样。

人们一直使用文本编辑器编辑 HTML。这是完全正常的。当他们这样做时，他们会使用正则表达式。当他们做同样的事情时，并不是一个程序被祝福而另一个程序被诅咒。想要在非文本编辑器的不同程序中执行与在文本编辑器中执行完全相同的操作并没有错。

但是，除了最简单的事情（比如这里的这个问题，这算得上非常简单）之外的所有事情，都需要权衡取舍，大多数询问如何去做的人都做不到。我对这个悖论有更长的讨论here。

Answer 2

正则表达式是否适合这项工作取决于实际工作是什么。如果您有一个大的 HTML 页面或一组 HTML 页面，并且您想从中提取信息，那么正则表达式可能是一个不错的选择。但是，如果您的输入不受您的控制，那么正则表达式就不是您想要的。

无论如何，使用 PHP 执行此操作的正确方法是使用 DOMDocument::loadHTML 解析 html，然后使用从那里得到的 DOMDocument 到 getElementsByTagName 并对其进行迭代。如果您喜欢，甚至可以使用 XPath。在解析 HTML 时，这总是比正则表达式更强大的工具，除非您实际上已经在正则表达式中编写了 HTML 解析器。

Answer 3

这里：（已编辑！）

preg_match_all($links, '/\/series\/([\d]+)\/.*?<span class="title">(.*?)<\/span>/ism', $matches);

var_dump($matches);

希望对您有所帮助。不过，我建议在 PHP 中查看 DOMDocument。我认为这将是一个更清洁的解决方案。正则表达式往往丑陋而缓慢。

Answer 4

如果您的标记比您发布的 sn-p 长得多，那么正则表达式就不是最佳选择，因为它的计算成本非常高。

（无论如何，你不能用正则表达式完全解析 XML）。

我的建议是您使用XML parser 解析标记，这样您就可以遍历它所代表的树结构。这将使您能够轻松获得所需的数据。

如果href 属性总是看起来像#!/series/XXXX/series-name-2，那么您可以通过简单的字符串解析访问XXXX。