使用正则表达式解析HTML可能不是最好的方法.
您可以查看DOMDocument::loadHTML,这将允许您使用DOM方法处理HTML文档(例如,如果您知道这些,则使用XPath查询).
您可能还想看一下Zend_Dom和Zend_Dom_Query,顺便说一句,如果您可以在应用程序中使用Zend Framework的某些部分,这是非常好的.
例如,在使用Zend_Test进行功能测试时,它们用于从HTML页面获取数据 – 并且工作得很好;-)
首先看起来似乎更难……但是,考虑到一些HTML页面的混乱,它可能是一个更明智的想法……
在评论和编辑OP之后编辑
这里有几个想法,从“简单”开始,一个输入标签：
>它可以跨越几条线传播
>它可以有很多属性
>只考虑名称和价值是您感兴趣的,您必须处理这两个可能处于任何可能的顺序的事实
>属性可以包含双引号,单引号,甚至不包含其值
> tags / attributes可以是小写的也可以是大写的
>标签并不总是必须关闭
好吧,其中一些点无效 – HTML;但仍然在大多数公共网络浏览器中工作,所以必须考虑到它们……
只有这些点,我不想成为写正则表达式的人^^
但我想可能还有其他一些我没想过的困难.
另一方面,你有DOM和xpath …要获得输入名称=“q”的值(例如this page),这是一个类似这样的问题：
$url = 'http://www.google.fr/search?q=test&ie=utf-8&oe=utf-8&aq=t&rls=com.ubuntu:en-US:unofficial&client=firefox-a';
$html = file_get_contents($url);
$dom = new DOMDocument();
if (@$dom->loadHTML($html)) {
// yep, not necessarily valid-html...
$xpath = new DOMXpath($dom);
$nodeList = $xpath->query('//input[@name="q"]');
if ($nodeList->length > 0) {
for ($i=0 ; $ilength ; $i++) {
$node = $nodeList->item($i);
var_dump($node->getAttribute('value'));
}
}
} else {
// too bad...
}
重要的是什么？ XPath查询,只有…并且它有什么静态/常量吗？
好吧,我说我想要所有< input>具有等于“q”的name属性.
它只是工作：我得到这个结果：
string 'test' (length=4)
string 'test' (length=4)
(我查了一下：页面上有两个输入名称=“q”^^)
我知道页面的结构吗？绝对没有;-)
我只知道我/你/我们想要名为q的输入标签;-)
这就是我们得到的;-)
编辑2：选择和选项有点乐趣：
好吧,只是为了好玩,这是我为选择和选项提出的：
$url = 'http://www.google.fr/language_tools?hl=fr';
$html = file_get_contents($url);
$dom = new DOMDocument();
if (@$dom->loadHTML($html)) {
// yep, not necessarily valid-html...
$xpath = new DOMXpath($dom);
$nodeListSelects = $xpath->query('//select');
if ($nodeListSelects->length > 0) {
for ($i=0 ; $ilength ; $i++) {
$nodeSelect = $nodeListSelects->item($i);
$name = $nodeSelect->getAttribute('name');
$nodeListOptions = $xpath->query('option[@selected="selected"]', $nodeSelect); // We want options that are inside the current select
if ($nodeListOptions->length > 0) {
for ($j=0 ; $jlength ; $j++) {
$nodeOption = $nodeListOptions->item($j);
$value = $nodeOption->getAttribute('value');
var_dump("name='$name' => value='$value'");
}
}
}
}
} else {
// too bad...
}
我得到一个输出：
string 'name='sl' => value='fr'' (length=23)
string 'name='tl' => value='en'' (length=23)
string 'name='sl' => value='en'' (length=23)
string 'name='tl' => value='fr'' (length=23)
string 'name='sl' => value='en'' (length=23)
string 'name='tl' => value='fr'' (length=23)
这是我的预期.
一些解释？
好吧,首先,我获取页面的所有选择标记,并将其名称保存在内存中.
然后,对于每一个,我得到选定的选项标签作为其后代(总是只有一个,顺便说一句).
在这里,我有价值.
比前面的例子复杂一点……但是仍然比正则表达式容易得多,我相信……花了我10分钟,而不是更多……我仍然没有勇气(疯狂？)开始想想某种能够做到这一点的突变正则表达式:-D
哦,作为旁注：我仍然不知道HTML文档的结构是什么样的：我甚至没有看过它的源代码^^
我希望这会有所帮助……
谁知道,也许我会说服你正则表达式在解析HTML时不是一个好主意……也许吧？ 😉
还是：玩得开心！
-PHP教程,PHP应用)
