HTML的灾难性回溯问题[重复]

Question

我正在尝试使用 PHP 抓取一系列网页，抓取标签和最早标签之间的所有内容。这是我正在使用的正则表达式：

|(?<=div id="body">).*?</div>|s

对于我正在查看的大多数页面，这似乎工作得很好。但是，它并没有为其他一些人返回任何东西。我将正则表达式插入 regex101.com 测试器，它告诉我问题出在灾难性的回溯上。我尝试删除后视语言，甚至玩弄以下内容：

|id="body">.*?</div>|s

但是，问题仍然存在。我查看了有关灾难性回溯的其他一些问题，以及 http://www.regular-expressions.info/catastrophic.html 文章，但我不知道如何将它们的修复应用到这种特殊情况。

Answer 1

众所周知，正则表达式会对大型 HTML 内容造成灾难性的回溯。在这种情况下，问题肯定出在后视和惰性点匹配上，当正则表达式引擎每次向右推进一个符号时，它必须检查该符号前面是否有指定的子字符串，以及它是否达到了足够的字符产生一个匹配。

查看 regex101 regex debugger 部分，了解此正则表达式的工作原理。

至于如何解析你的 HTML，PHP DOMDocument 和 DOMXPath 是你最好的朋友：

$html = "<<YOUR_HTML_STRING_HERE>>";
$dom = new DOMDocument('1.0', 'UTF-8');
$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
// Above is the DOM initialization from string example, below is parsing
$xpath = new DOMXPath($dom);
$divs = $xpath->query('//div[@id="body"]'); // Get all DIV tags with id=body

foreach($divs as $div) { 
  echo $dom->saveHTML($div); // Echo the HTML, can be added to array
}

见IDEONE demo