使用 RegEx 可靠地解析 HTML 元素 [重复]答案

【问题标题】：Reliably parsing HTML elements using RegEx [duplicate]使用 RegEx 可靠地解析 HTML 元素 [重复]
【发布时间】：2011-07-14 00:46:36
【问题描述】：

可能重复：
Best methods to parse HTML with PHP

我正在尝试使用 RegEx 解析网页，但在使其以可靠的方式工作时遇到了一些问题。

假设我想解析创建 div 元素的代码，并且我想提取 <div> 和 </div> 之间的所有内容。现在，这段代码可能只是<div></div>，但也很可能是这样的：

<div class="thisIsMyDivClass"><p>This text is inside the div</p></div>

如何确保无论初始 div 标签的大于/小于符号与对应的最后一个 div 标签之间有多少个字符，我将始终仅获取它们之间的内容？如果我指定< 后面的字符数可以从一到一万不等，我将始终在一万个字符之后提取>，因此（很可能，除非有很多代码或文本之间）检索一堆我不需要的代码。

这是我目前的代码（由于上述原因不可靠）：

/<.{1,10000}>/

【问题讨论】：

最好的办法是使用适当的 HTML 解析器。您使用什么语言？
我正在使用 PHP。希望有一些关于如何以最有效的方式做到这一点的好技巧。
查看Best methods to parse HTML with PHP
你可以使用<[^>]*>之类的东西，但就像其他人所说的那样，你需要一个合适的解析器。
就上下文而言，这是 StackOverflow 上最常见的问题之一，this being the most famous version。由于您所述的原因和其他原因（包含“>”等的属性），使用正则表达式不可能 100% 可靠。在某些情况下，您可以使用类似@DevNull 的粗略方法，但请注意其局限性。

标签： php html regex parsing

【解决方案1】：

正则表达式描述所谓的正则语言 - 或 Chomsky hierarchy 中的类型 3。另一方面，HTML is a context free language 是乔姆斯基层次结构中的类型 2。所以：一般来说，没有办法用正则表达式可靠地解析 HTML。请改用 HTML 解析器。对于 PHP，您可以在这个问题中找到一些建议：How do you parse and process HTML/XML in PHP?

【讨论】：

【解决方案2】：

您将需要一个词法分析器和语法检查器来正确解析 html。 RegEx 的主要重点是在字符串中搜索模式。

【讨论】：

【解决方案3】：

我建议使用 DOM 之类的东西。我正在做一个大型网站，并疯狂地使用 DOM。它可以工作，效果很好，只需一点点工作就可以非常强大。

http://php.net/manual/en/book.dom.php

【讨论】：