php 正则表达式从 HTML 表中提取数据答案

【问题标题】：php regex to extract data from HTML tablephp 正则表达式从 HTML 表中提取数据
【发布时间】：2009-07-19 20:14:25
【问题描述】：

我正在尝试制作一个正则表达式来从表中取出一些数据。

我现在得到的代码是：

<table>
   <tr>
     <td>quote1</td>
     <td>have you trying it off and on again ?</td>
   </tr>
   <tr>
     <td>quote65</td>
     <td>You wouldn't steal a helmet of a policeman</td>
   </tr>
</table>

我想替换为：

quote1：你有没有反复尝试过？

quote65：你不会偷警察的头盔

我已经写的代码是这样的：

%<td>((?s).*?)</td>%

但现在我被困住了。

【问题讨论】：

Can you provide some examples of why it is hard to parse XML and HTML with a regex? 的可能重复项

标签： php html regex html-parsing

【解决方案1】：

如果你真的想使用正则表达式（如果你真的确定你的字符串总是这样格式化可能没问题），在你的情况下这样的东西呢：

$str = <<<A
<table>
   <tr>
     <td>quote1</td>
     <td>have you trying it off and on again ?</td>
   </tr>
   <tr>
     <td>quote65</td>
     <td>You wouldn't steal a helmet of a policeman</td>
   </tr>
</table>
A;

$matches = array();
preg_match_all('#<tr>\s+?<td>(.*?)</td>\s+?<td>(.*?)</td>\s+?</tr>#', $str, $matches);

var_dump($matches);

关于正则表达式的几句话：

<tr>
然后是任意数量的空格
然后<td>
然后你想捕捉什么
然后</td>
还是一样
最后，</tr>

我使用：

正则表达式中的? 在非贪婪模式下匹配
preg_match_all 获取所有匹配项

然后你在$matches[1]和$matches[2]中得到你想要的结果（不是$matches[0]）;这是我使用的var_dump 的输出（我删除了条目0，以使其更短）：

array
  0 => 
    ...
  1 => 
    array
      0 => string 'quote1' (length=6)
      1 => string 'quote65' (length=7)
  2 => 
    array
      0 => string 'have you trying it off and on again ?' (length=37)
      1 => string 'You wouldn't steal a helmet of a policeman' (length=42)

然后你只需要操作这个数组，用一些字符串连接或类似的东西；例如，像这样：

$num = count($matches[1]);
for ($i=0 ; $i<$num ; $i++) {
    echo $matches[1][$i] . ':' . $matches[2][$i] . '<br />';
}

你会得到：

quote1:have you trying it off and on again ?
quote65:You wouldn't steal a helmet of a policeman

注意：您应该添加一些安全检查（例如 preg_match_all 必须返回 true，count 必须至少为 1，...）

附带说明：使用正则表达式解析 HTML 通常不是一个好主意；如果你可以使用真正的解析器，它应该更安全......

【讨论】：

【解决方案2】：

Tim 的正则表达式可能有效，但您可能需要考虑使用 PHP 的 DOM 功能而不是正则表达式，因为它在处理标记中的微小变化时可能更可靠。

见the loadHTML method

【讨论】：

【解决方案3】：

像往常一样，应该使用解析器从 HTML 和其他非常规语言中提取文本 - 正则表达式可能会导致问题。但是如果你确定你的数据结构，你可以使用

%<td>((?s).*?)</td>\s*<td>((?s).*?)</td>%

找到两段文字。 \1:\2 将成为替代品。

如果文本不能超过一行，则删除 (?s) 位会更安全...

【讨论】：

【解决方案4】：

从<td>中提取每个内容

    preg_match_all("%\<td((?s).*?)</td>%", $respose, $mathes);
    var_dump($mathes);

【讨论】：

【解决方案5】：

不要使用正则表达式，使用 HTML 解析器。比如PHP Simple HTML DOM Parser

【讨论】：