正则表达式匹配不在特定 div 中的标题标签

Question

所以我的 PHP 代码可以输出如下所示的 HTML：

<div class="wrapper">
<h2>This is a header</h2>
<h2>This is one too/h2>
<h4>Here's one</h4>
<div class="ignore">
<h5>I'm one in here too</h5>
</div>
</div>

我正在尝试做的是 preg_match_all 的标题标签。我的正则表达式(<h([1-6]{1})[^>]*)>.*<\/h\2> 会适当地返回所有这些，但我不想使用“忽略”类来获取 div 中的标题。我正在阅读有关负前瞻的信息，但它变得棘手。任何有帮助的人将不胜感激。

期望的输出：

<h2>This is a header</h2>
<h2>This is one too/h2>
<h4>Here's one</h4>

注意我也是这里的一员，因为它被包裹在带有“ignore”类的 div 中。

Answer 1

不要在这里乱用正则表达式 - 结合 DOMDocument 查询来释放xpath 的力量：

<?php
$html = <<<EOT
<div class="wrapper">
<h2>This is a header</h2>
<h2>This is one too</h2>
<h4>Here's one</h4>
<div class="ignore">
<h5>I'm one in here too</h5>
</div>
</div>
EOT;

$doc = DOMDocument::loadHTML($html);
$xpath = new DOMXpath($doc);
$headers = $xpath->query("
    //div[not(contains(@class, 'ignore'))]
    /*[self::h2 or self::h4 or self::h5]");

foreach ($headers as $header) {
    echo $header->nodeValue . "\n";
}

?>

这将产生

This is a header
This is one too
Here's one

Answer 2

使用DOMDocument 和DOMXPath：

$html = <<<'HTML'
<div class="wrapper">
<h2>This is a header</h2>
<h2>This is one too</h2>
<h4>Here's one</h4>
<div class="ignore">
<h5>I'm one in here too</h5>
</div>
</div>
HTML;

$dom = new DOMDocument;
$dom->loadHTML($html);
$xp = new DOMXPath($dom);

$nodeList = $xp->query('
//*
[contains(";h1;h2;h3;h4;h5;h6;", concat(";", local-name(), ";"))]
[not(ancestor::div[
    contains(concat(" ", normalize-space(@class), " "), " ignore ")
    ])
]');

foreach ($nodeList as $node) {
    echo 'tag name: ', $node->nodeName, PHP_EOL,
         'html content: ', $dom->saveHTML($node), PHP_EOL,
         'text content: ', $node->textContent, PHP_EOL,
         PHP_EOL;
}

demo

如果您对 XPath 不满意，请查看 zvon tutorial。

Answer 3

由于您指定要使用 preg_match() 执行此操作，因此这里是一个否定后视的示例（即过滤掉那些不以 XYZ 开头的事件）：https://regex101.com/r/FeAsuj/1

lookbehind 本身是 (?<!<div class=\"ignore\">) 。

但在 test-sn-p 中，请注意：

• 正则表达式取决于空格的确切使用...
• ...所以平台相关的 \r\n 可以破坏正则表达式
• lookbehind 不能有可变长度，即 \n? - 见Regular Expression Lookbehind doesn't work with quantifiers ('+' or '*')

如果您必须继续使用正则表达式，请考虑采用两步法：

• 第 1 步，您使用 preg_replace() 删除所有不需要的部分。
• 第 2 步，使用现有的正则表达式。

一般来说，我会同意其他海报以避免正则表达式，并使用 HTML 解析器。