PHP 从 html 文本中获取 <h[1-6]></h[1-6]> 值答案

【问题标题】：PHP get the <h[1-6]></h[1-6]> values from an html textPHP 从 html 文本中获取 <h[1-6]></h[1-6]> 值
【发布时间】：2016-09-10 05:14:20
【问题描述】：

在我的代码中，我有以下正则表达式：

 preg_match_all('/<title>([^>]*)<\/title>/si', $contents, $match );

从网页中检索 <h>..</h> 标记。但有时它可能有 html 标签，例如 <strong>,<b> 等，因此它需要一些修改，因此我尝试了这个

preg_match_all('/<h[1-6]>(.*)<\/h[1-6]>/si', $contents, $match );

但是出了点问题，没有检索到 html <h> 标签中的内容。

你能帮我正确修改正则表达式吗？

【问题讨论】：

Have your tried using a DOM parser?
如果hs 有任何属性，这将失败。 .* 也很贪心，如果页面上有多个，它会吃掉所有东西。解析器是您最好的方法。看看stackoverflow.com/questions/3577641/…
正如在另一篇文章中所说，不要使用正则表达式来解析 HTML，除非您的 html 非常简单并且您不需要搜索嵌套标签。即使那样，也是个坏主意。有 DOM 解析器 (DOMDocument) 用于解析 HTML，并且非常易于使用。它们有几种与 JS 相同的方法，例如 getElementsByTagName，可用于查找每个 <h> 标签。

标签： php html web-scraping html-parsing

【解决方案1】：

preg_match_all('<h\d>', $contents, $matches);

foreach($matches as $match){
$num[] = substr ( $match  , 1 , 1 );
}

【讨论】：

【解决方案2】：

现在，这里没有正则表达式专家，但他应该站在你的立场上吗？他会这样做：

    <?php

        // SIMULATED SAMPLE HTML CONENT - WITH ATTRIBUTES:
        $contents = '<section id="id-1">And even when darkness covers your path and no one is there to lend a hand;
            <h3 class="class-1">Always remember that <em>There is always light at the end of the Tunnel <span class="class-2">if you can but hang on to your Faith!</span></em></h3>
            <div>Now; let no one deceive you: <h2 class="class-2">You will be tried in ever ways - sometimes beyond your limits...</h2></div>
            <article>But hang on because You are the Voice... You are the Light and you shall rule your Destiny because it is all about<h6 class="class4">YOU - THE REAL YOU!!!</h6></article>
            </section>';

        // SPLIT THE CONTENT AT THE END OF EACH <h[1-6]> TAGS   
        $parts      = preg_split("%<\/h[1-6]>%si", $contents);
        $matches    = array();

        // LOOP THROUGH $parts AND BUNDLE APPROPRIATE ELEMENTS TO THE $matches ARRAY.       
        foreach($parts as $part){
            if(preg_match("%(.*|.?)(<h)([1-6])%si", $part)){
                $matches[] = preg_replace("%(.*|.?)(<)(h[1-6])(.*)%si", "$2$3$4$2/$3>", $part);
            }
        }
        var_dump($matches);


        //DUMPS::::
        array (size=3)
          0 => string '<h3 class="class-1">Always remember that <em>There is always light at the end of the Tunnel <span class="class-2">if you can but hang on to your Faith!</span></em></h3>' (length=168)
          1 => string '<h2 class="class-2">You will be tried in ever ways - sometimes beyond your limits...</h2>' (length=89)
          2 => string '<h6 class="class4">YOU - THE REAL YOU!!!</h6>' (length=45)

作为一个函数，它归结为：

 <?php

        function pseudoMatchHTags($htmlContentWithHTags){
            $parts      = preg_split("%<\/h[1-6]>%si", $htmlContentWithHTags);
            $matches    = array();
            foreach($parts as $part){
                if(preg_match("%(.*|.?)(<h)([1-6])%si", $part)){
                    $matches[] = preg_replace("%(.*|.?)(<)(h[1-6])(.*)%si", "$2$3$4$2/$3>", $part);
                }
            }
            return $matches;
        }

        var_dump(pseudoMatchHTags($contents));

你可以在这里测试它：https://eval.in/571312 ...也许它有点帮助...我希望... ;-)

【讨论】：

【解决方案3】：

当使用(.*) 时，您可以获取所有内容，仅针对单词、数字和空格，也许您可以使用范围与它们一起获取一个或多个：

preg_match_all('/<h[1-6]>([\w\d\s]+)<\/h[1-6]>/si', $contents, $match);

【讨论】：