如何使用 PHP 和 RegEx 从 HTML 源代码中获取数据？答案

【问题标题】：How Can I Get Data From HTML Source Code with PHP and RegEx?如何使用 PHP 和 RegEx 从 HTML 源代码中获取数据？
【发布时间】：2011-01-26 23:21:19
【问题描述】：

我有 HTML 源代码，我必须在 HTML 中获得一些信息文本。我不能使用 DOM，因为文档格式不正确。

也许，源以后可能会改变，我不知道这种情况。因此，这个问题的解决方案必须在大多数情况下都是可行的。

我正在使用 curl 获取源代码，我将使用 preg_match_all 函数和正则表达式对其进行编辑。

来源：
...
<TR Class="Head1">
<TD width="15%">Name</TD>
<TD>:&nbsp;</TD>
<TD align="center">Alex</TD>
<TD width="25%">Job</TD>
<TD>:&nbsp;</TD>
<TD align="center" width="25%">Doctor</TD>
</TR>
...
...
<TR Class="Head2">
<TD width="15%" align="left">Age</TD>
<TD>:&nbsp;</TD>
<TD align="center">32</TD>
<TD width="15%">data</TD>
<TD>&nbsp;</TD>
<TD width="40%">&nbsp;</TD>
</TR>
...

正如我们所见，源的格式不正确。事实上，可怕！但我无能为力。源比这个长。

如何从源中获取数据？我可以删除所有的 HTML 代码，但是我怎么知道数据的顺序呢？我可以用 preg_match_all 和正则表达式做什么？我还能做什么？

我在等你的帮助。

【问题讨论】：

你试过用DOM吗？您可以使用 @ 抑制错误，即使格式不正确，它仍然可以工作

标签： php regex preg-match preg-match-all

【解决方案1】：

如果你可以使用 DOM，这比正则表达式要好得多。看看PHP Tidy - 它旨在管理格式错误的 HTML。

【讨论】：

+1 - 当我记得 TagSoup 是在 Java 中（这个问题是在 PHP 中）时，我将 PHP Tidy 添加到我的答案中，但你首先在答案中找到了它。

【解决方案2】：

您可以使用 DOMDocument 加载格式错误的 HTML：

$doc = new DOMDocument();
@$doc->loadHTML('<TR Class="Head2">
<TD width="15%" align="left">Age</B></TD>
<TD>:&nbsp;</TD>
<TD align="center"><font color="red">32</font></TD>
<TD width="15%"><font size="10">data</TD></font>
<TD>&nbsp;</B></TD>
<TD width="40%">&nbsp;</TD>
</TR>');


$tds = @$doc->getElementsByTagName('td');
foreach ($tds as $td) {
 echo $td->textContent, "\n";
}

为简洁起见，我在上面的代码中隐藏了警告。

输出：

Age
: 
32
data
  <!-- space -->
  <!-- space -->

使用正则表达式解析 HTML 可能是徒劳的，因为 HTML 不是常规语言。

【讨论】：

正如你所说，我认为正则表达式对此没有用。非良构的 html 文档可以被 Tidy 和 DOM 处理，也可以只被 SimpleHTMLDom 处理。

【解决方案3】：

Don't use RegEx.这个链接很有趣，但信息量不大，所以总而言之，HTML标记不是正则语言，因此不能简单地使用正则表达式进行解析。

您可以使用 RegEx 来解析单个“标记”（单个打开标记；单个属性名称或值...）作为递归解析算法的一部分，但您不能使用神奇的 RegEx 来解析其上的所有 HTML拥有。

或者你可以使用解析器。

由于标记无效，也许您可以使用TagSoup 或PHP:Tidy。

【讨论】：

好的，TagSoup 和 Tidy 是默认安装在服务器上的吗？
我没有这样的印象；事实上，TagSoup 是一个 Java 工具（我的错！）虽然 tidy 显然是 bundled with PHP
非格式良好的 html 文档可以通过 Tidy 转换为格式良好的 html，然后 DOMDocument 可以使用。谢谢大家。

【解决方案4】：

$regex = <<<EOF
<TR Class="Head2">\s+<TD width="15%" align="left">Age</B></TD>\s+<TD>:&nbsp;</TD>\s+<TD align="center"><font color="red">(\d+)</font></TD>\s+<TD width="15%"><font size="10">(\w+)</TD></font>\s+<TD>&nbsp;</B></TD>\s+<TD width="40%">&nbsp;</TD>\s+</TR>
EOF;

preg_match_all($regex, $text, $result);

var_dump($result)

【讨论】：