正则表达式没有明显的原因无法匹配

Question

考虑以下两个正则表达式 sn-ps 和它应该匹配的虚拟 HTML：

显然，在获得更多声誉之前，我只能发布一个链接，因此下面的链接包含我上面引用的三个链接：

http://pastebin.com/Qj1uxfdk

如果有人想知道的话，两个 sn-ps 之间的区别是在 sn-p 的一半左右被删除的(((.{2,20}?), (.{2,20}?))?)。

第一个 sn-p 与文本不匹配，但第二个匹配，我不知道为什么。我尝试在其位置放置一个应该匹配任何内容的虚拟表达式（例如(.{1})?），但它仍然无法匹配它，但是当我删除它时，它突然又匹配了。

在过去的 4 个小时里，我一直在用这种愚蠢的表达方式苦苦挣扎，我快要崩溃了。有人可以帮忙吗？

Answer 1

非常抱歉，我知道由于各种原因，这个答案不会受到任何人的赞赏，但无论如何，我觉得我必须这样说。

在我看来，您可能使用了错误的工具。我建议您使用真正的解析器，它旨在解析 (x)html/xml。我认为，html 包含的微妙之处远比你用正则表达式所能捕捉到的要多得多。我自己已经很长时间没有编写任何 php，但我确信它有必要的工具来为您进行解析 (maybe this?)。

当然，自己做所有事情是令人兴奋的，但利用已经为您完成（和测试）的东西更实际。

我希望，你会记住这一点。

PS：是的，我知道，通常的“不要使用正则表达式解析 xml”语句非常陈旧/平庸，但它并不能阻止它在大多数情况下是正确的。

Answer 2

既然您似乎知道在解析 HTML 时，RegEx 并不是真正的东西，
你为什么还要尝试..？

例如，DOM 并不像您想象的那么难；
在 HTML 中获取所有 td 的基本示例：

$html = <<< EOL
<tr><td nowrap class="border_on_rbl"><a href="employee_view.html?employee_id=1337">bloblaw</td><td nowrap class="border_on_rb">Loblaw, Bob</b></td><td nowrap class="border_on_rb">Lawyer</td>
<td nowrap class="border_on_rb">Legal</td>
<td nowrap class="border_on_rb">person4</td><td nowrap class="border_on_rb"></td><td nowrap class="border_on_rb">Bluth, Maeby</td><td nowrap class="border_on_rb"><a href=mailto:bloblaw@theplanet.com>bloblaw@theplanet.com</a></td><td nowrap class="border_on_rb">555.555.5555</td><td nowrap class="border_on_rb">1337</td></tr>
EOL;

libxml_use_internal_errors(true);
$dom = DOMDocument::loadHTML($html);

$tds = $dom->getElementsByTagName('td');
foreach ($tds as $td) {
    echo $td->nodeValue.'<br>';
}

?>

花一些时间阅读有关 DOM 的手册/一些教程/文章/..，您将永远不会遇到 (RegEx) 解析（不仅仅是）HTML 的问题..

Answer 3

重写它比调试它更容易，所以这是我的方法：

preg_match_all(
    '%<tr>[^<]*
      <td[^>]*><a.*?employee_id=(\d*).*?>(\w*)\s*.*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*),\s*(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
      <td[^>]*><a[^>]*>(.*?)</a>.*?&nbsp;</td>[^<]*
      <td[^>]*>(\d{3}\.\d{3}\.\d{4}).*?&nbsp;</td>[^<]*
      <td[^>]*>(\w*).*?&nbsp;</td>[^<]*
    </tr>%sx', 
    $subject, $result, PREG_SET_ORDER);

它适用于您的示例，如果您喜欢或多或少的验证，您可以对其进行调整。