【问题标题】：Extracting javascript object from html using regex & php使用正则表达式和 php 从 html 中提取 javascript 对象
【发布时间】：2018-10-17 19:45:23
【问题描述】：

我正在尝试从包含常用 HTML 标记的页面中提取特定的 JavaScript 对象。

我尝试使用正则表达式，但当 HTML 包含换行符时，我似乎无法正确解析 HTML。

可以在这里看到一个例子：https://regex101.com/r/b8zN8u/2

我尝试提取的 HTML 如下所示：

<script>
  DATA.tracking.user = { 
      age: "19", 
      name: "John doe" 
  }
</script>

使用以下正则表达式：DATA.tracking.user=(.*?)}

<?php
$re = '/DATA.tracking.user = (.*?)\}/m';
$str = '<script>
           DATA.tracking.user = { age: "19", name: "John doe" }
        </script>';

preg_match_all($re, $str, $matches, PREG_SET_ORDER, 0);

如果我在没有任何换行符的情况下解析 DATA.tracking.user = { age: "19", name: "John doe" }，那么它可以正常工作，但如果我尝试解析：

DATA.tracking.user = { 
      age: "19", 
      name: "John doe" 
  }

它不喜欢处理换行符。

任何帮助将不胜感激。

谢谢。

【问题讨论】：

相关：You can't parse X/HTML with regex.

标签： php regex parsing

【解决方案1】：

您需要在模式中指定空格 (\s) 以解析包含换行符的 javascript 代码。

例如，如果您使用以下代码：

<?php
$re = '/DATA.tracking.user = \{\s*.*\s*.*\s*\}/';
$str = '<script>
  DATA.tracking.user = {
      age: "19",
      name: "John doe"
  }
</script>';

preg_match_all($re, $str, $matches, PREG_SET_ORDER, 0);
print_r($matches[0]);
?>

你会得到以下输出：

Array
(
    [0] => DATA.tracking.user = {
      age: "19",
      name: "John doe"
  }
)

【讨论】：

【解决方案2】：

解决问题的简单方法是使用s 模式修饰符来命令.（任何字符）也匹配换行符——默认情况下不匹配。

你应该：

避开字面上的点。
在您的捕获组之外写入\{。
省略 m 模式修饰符，因为您没有使用锚。

...但是...

如果这是我的任务并且我要从提取的字符串中处理数据，我可能会在提取时使用\G 的强大功能分解组件。

代码：(Demo) (Pattern Demo)

$htmls[] = <<<HTML
DATA.tracking.user = { age: "19", name: "John doe", int: 55 } // This works
HTML;

$htmls[] = <<<HTML
DATA.tracking.user = { 
    age: "20", 
    name: "Jane Doe",
    int: 49
} // This does not works
HTML;

foreach ($htmls as $html) {
    var_export(preg_match_all('~(?:\G(?!^),|DATA\.tracking\.user = \{)\s+([^:]+): (\d+|"[^"]*")~', $html, $out, PREG_SET_ORDER) ? $out : []);
    echo "\n --- \n";
}

输出：

array (
  0 => 
  array (
    0 => 'DATA.tracking.user = { age: "19"',
    1 => 'age',
    2 => '"19"',
  ),
  1 => 
  array (
    0 => ', name: "John doe"',
    1 => 'name',
    2 => '"John doe"',
  ),
  2 => 
  array (
    0 => ', int: 55',
    1 => 'int',
    2 => '55',
  ),
)
 --- 
array (
  0 => 
  array (
    0 => 'DATA.tracking.user = { 
    age: "20"',
    1 => 'age',
    2 => '"20"',
  ),
  1 => 
  array (
    0 => ', 
    name: "Jane Doe"',
    1 => 'name',
    2 => '"Jane Doe"',
  ),
  2 => 
  array (
    0 => ',
    int: 49',
    1 => 'int',
    2 => '49',
  ),
)
 ---

现在您可以简单地迭代匹配并使用[1]（键）和[2]（值）。这是一个基本解决方案，可以进一步定制以适合您的项目数据。诚然，这不考虑包含转义双引号的值。添加此功能不会有任何问题。考虑更复杂的值类型可能更具挑战性。

【讨论】：

mickmackusa，感谢您抽出宝贵时间提供帮助。我接受了这个作为答案，因为这最适合我的要求，并且使使用 $key $values 变得更加容易。

【解决方案3】：

您需要将“s”修饰符添加到您的正则表达式的末尾 - 否则，“。”不包括换行符。见this：

s (PCRE_DOTALL)

如果设置了此修饰符，则模式中的点元字符匹配所有字符，包括换行符。没有它，换行符被排除在外。这个修饰符等价于 Perl 的 /s 修饰符。诸如 [^a] 之类的否定类始终匹配换行符，与此修饰符的设置无关。

所以基本上将您的正则表达式更改为：

'/DATA.tracking.user = (.*?)\}/ms'

此外，您应该引用其他点（否则您将匹配“DATAYtrackingzZuser”。所以...

'/DATA\.tracking\.user = (.*?)\}/ms'

我还要添加大括号，而不是在等号周围强制使用单个空格，所以：

'/DATA\.tracking\.user\s*=\s*\{(.*?)\}/ms'

【讨论】：

wordragon，感谢您为我遇到的问题提供支持，虽然这有效并让我的刮刀运行，但我接受了 mickmackusa 的回答，因为他的回答让我在使用刮刀时更轻松关键值。谢谢。

【解决方案4】：

由于您似乎无论如何都在抓取/阅读页面（因此您有一个本地副本），您可以简单地将 HTML 页面中的所有换行符替换为空白字符，然后它应该可以完美地工作，甚至无需更改您的脚本。

有关 ascii 值，请参阅此内容：
https://www.techonthenet.com/ascii/chart.php

【讨论】：