PHP正则表达式匹配嵌套HTML标签的方法和技巧

浏览数：46 / 时间：2015年06月09日

正则表达式是一个非常有用的编程技能。一般来说，简单的抓取一个HTML页面的某一条信息，比如<title>标题</title>，是很容易实现的。但是，我们往往要抓取某一个列表页面里的多个重复的<div></div>块里的特定内容，并且<div></div>块还有嵌套的使用，我们抓取的则是每个重复<div></div>块里的多个信息。同时，网页源文件不同于一般的字符串，其还存在大量的回车、换行和制表符，这些都造成了匹配失败。而初学者往往无法判断到底是哪个环节出现了问题，并且看到高度技巧化的正则表达式会感到非常沮丧，从而导致放弃问题的解决。

经过笔者多日的研究，终于摸索出以下方法和技巧，欢迎大家交流指正。

请看如下注意点和步骤：

1.注意/一定要被转义成\/，否则会报错

preg_match_all() [function.preg-match-all]: Unknown modifier

2.正则表达式用单引号‘和/作为开始和结束的标界，比如‘/reg partten/‘，采用这样的写法，正则表达式里的双引号"不必转义

比如，

$partten=‘/<div class="goods_item"><a href="([^<>]+)" target="_blank"><img data-ks-lazyload="([^<>]+)" alt="([^<>]+)" width="" height=""\/>/‘;

3.需要先去除所有的换行符、制表符、回车等等，对于便于阅读的html源文件由于上述符号的存在会造成无法匹配。

$str=preg_replace("/[\t\n\r]+/","",$str);

4.我们感兴趣的匹配信息，通常是html元素中的属性的值，因此要去除<>，否则只会匹配最后一条之前的全部信息。

比如,对于$string="<div><a href=“1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>",

$partten=‘/<div><a href=“(.+)”/‘;的匹配结果是：1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>

这是因为，上述给出的正则表达式确实没有限定匹配的范围只是第一个超链接<a href=“1.jpg”></a>。

因此，要想匹配上述三个超链接的 href属性，需要将上述匹配限定在<a href=“1.jpg”>里面，方法也很简单，将(.+)换成([^<>]+)，即可。也就是说，这个匹配不包含下一个出现<>的地方，从而将匹配限定在同一个html标签内

做到以上几点，就可以完全无视html标签嵌套不嵌套的问题，从而抓取到一个页面所有的div重复块中我们感兴趣的内容，下附一例。

 1 <?
 2 //被匹配的html代码
 3 $html=‘
 4 <div class="goods">
 5     <a href="http://url1111" target="_blank">
 6         <img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/>
 7     </a>
 8 </div>
 9 <div class="goods">
10     <a href="http://url2222" target="_blank">
11         <img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/>
12     </a>
13 </div>
14 <div class="goods">
15     <a href="http://url3333" target="_blank">
16         <img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/>
17     </a>
18 </div>‘;
19 
20 //去掉换行、制表等特殊字符，可以echo一下看看效果
21 $html=preg_replace("/[\t\n\r]+/","",$html);
22 
23 //匹配表达式，注意两点，一是包含在‘/ /‘里面，再就是/要做转义处理成\/
24 $partern=‘/<div class="goods"><a href="([^<>]+)" target="_blank"><img data-ks-lazyload="([^<>]+)" alt="([^<>]+)" width="" height=""\/><\/a><\/div>/‘;
25 
26 //匹配结果
27 preg_match_all($partern,$html,$result); 
28 
29 //打印结果
30 var_dump($result); 
31 ?>

输出结果，一共有4个子数组，第一个子数组是匹配到的所有的项，后面三个子数组是我们匹配表达式里的三个匹配项：

 1 array(4) {
 2   [0]=>
 3   array(3) {
 4     [0]=>
 5     string(144) "<div class="goods"><a href="http://url1111" target="_blank"><img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/></a></div>"
 6     [1]=>
 7     string(144) "<div class="goods"><a href="http://url2222" target="_blank"><img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/></a></div>"
 8     [2]=>
 9     string(144) "<div class="goods"><a href="http://url3333" target="_blank"><img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/></a></div>"
10   }
11   [1]=>
12   array(3) {
13     [0]=>
14     string(14) "http://url1111"
15     [1]=>
16     string(14) "http://url2222"
17     [2]=>
18     string(14) "http://url3333"
19   }
20   [2]=>
21   array(3) {
22     [0]=>
23     string(15) "http://1111.jpg"
24     [1]=>
25     string(15) "http://2222.jpg"
26     [2]=>
27     string(15) "http://3333.jpg"
28   }
29   [3]=>
30   array(3) {
31     [0]=>
32     string(7) "alt1111"
33     [1]=>
34     string(7) "alt2222"
35     [2]=>
36     string(7) "alt3333"
37   }
38 }