正则表达式：匹配 HTML 文件中的所有 alt 属性？答案

【问题标题】：Regular expressions: matching all alt attributes in an HTML file?正则表达式：匹配 HTML 文件中的所有 alt 属性？
【发布时间】：2011-11-04 16:11:49
【问题描述】：

我一直在查看问题，对我的问题有了更好的了解，但仍然没有找到答案。

我在 PHP 中遇到了正则表达式的问题。我正在尝试获取 HTML 文件的“alt”属性中的所有文本。我正在考虑所有可能的标签名称（img、input 和 area）和各种可能性，比如字符之间的空格和换行符（比如<img alt = "Hello">）。还必须注意，匹配字符串可以用单引号或双引号括起来，并在内部包含其他（不同的）引号，例如：<img alt="Alan's picture"> 或 <img alt='Example for the word "hello" in the text'>。

这对我来说变得越来越困难（我是正则表达式的初学者），所以我将向您展示我所得到的。请注意，我试图在字符类中使用反向引用，我发现这是一种错误的做法（或者我认为）。

'/<\s*(?:img|input|area)\s[^>]*alt\s*=\s*("|\')([^\1>]*)\1[^>]*>/siU'

我在 StackOverflow 中也看到过，有些人推荐 HTML 解析器来处理此类内容，但我担心这种做法可能会消耗多少资源。你认为这是一个更好的主意吗？谢谢！

【问题讨论】：

而且您并不担心正则表达式解决方案会消耗多少资源（CPU 和人工维护）？
这就是我的意思... HTML 解析器会消耗更多资源吗？或更少？我现在正在尝试使用 HTML 解析器替代方案，但我想更好地了解哪种方法消耗的资源更少。

标签： php html regex alt

【解决方案1】：

使用解析器绝对是要走的路。

正则表达式非常不适合这类任务，even Jon Skeet cannot parse HTML using regular expressions

【讨论】：

【解决方案2】：

绝对应该使用解析器。这有几个原因：

HTML 解析器库可以解决正则表达式遗漏的损坏（或其他格式错误）的 HTML；例如，某些网页将无法转义嵌入在 alt 属性中的引号，例如 alt='why can't I do this'
解析器将能够自动处理转义字符；例如，alt="why&#32;the&#32;long&#32;space"
此外，HTML 解析器可能会提供速度和 API 优势

您或许可以查看 StackOverflow 问题 Robust, Mature HTML Parser for PHP，了解有关哪些解析器值得使用的一些建议。

【讨论】：