(轉)PHP正則表達式匹配嵌套HTML標簽的方法和技巧

正則表達式是一個非常有用的編程技能。一般來說，簡單的抓取一個HTML頁面的某一條信息，比如<title>標題</title>，是很容易實現的。但是，我們往往要抓取某一個列表頁面里的多個重復的<div></div>塊里的特定內容，並且<div></div>塊還有嵌套的使用，我們抓取的則是每個重復<div></div>塊里的多個信息。同時，網頁源文件不同於一般的字符串，其還存在大量的回車、換行和制表符，這些都造成了匹配失敗。而初學者往往無法判斷到底是哪個環節出現了問題，並且看到高度技巧化的正則表達式會感到非常沮喪，從而導致放棄問題的解決。

經過筆者多日的研究，終於摸索出以下方法和技巧，歡迎大家交流指正。

 

請看如下注意點和步驟：

1.注意/一定要被轉義成\/，否則會報錯

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

 

2.正則表達式用單引號'和/作為開始和結束的標界，比如'/reg partten/'，采用這樣的寫法，正則表達式里的雙引號"不必轉義

比如，

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

 

3.需要先去除所有的換行符、制表符、回車等等，對於便於閱讀的html源文件由於上述符號的存在會造成無法匹配。

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

 

4.我們感興趣的匹配信息，通常是html元素中的屬性的值，因此要去除<>，否則只會匹配最后一條之前的全部信息。

比如,對於$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=“(.+)”/';的匹配結果是：1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>

這是因為，上述給出的正則表達式確實沒有限定匹配的范圍只是第一個超鏈接<a href=“1.jpg”></a>。

因此，要想匹配上述三個超鏈接的 href屬性，需要將上述匹配限定在<a href=“1.jpg”>里面，方法也很簡單，將(.+)換成([^<>]+)，即可。也就是說，這個匹配不包含下一個出現<>的地方，從而將匹配限定在同一個html標簽內

 

做到以上幾點，就可以完全無視html標簽嵌套不嵌套的問題，從而抓取到一個頁面所有的div重復塊中我們感興趣的內容，下附一例。

<?
//被匹配的html代碼
$html='
<div class="goods">
    <a href="http://url1111" target="_blank">
        <img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/>
    </a>
</div>
<div class="goods">
    <a href="http://url2222" target="_blank">
        <img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/>
    </a>
</div>
<div class="goods">
    <a href="http://url3333" target="_blank">
        <img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/>
    </a>
</div>';

//去掉換行、制表等特殊字符，可以echo一下看看效果
$html=preg_replace("/[\t\n\r]+/","",$html);

//匹配表達式，注意兩點，一是包含在'/ /'里面，再就是/要做轉義處理成\/
$partern='/<div class="goods"><a href="([^<>]+)" target="_blank"><img data-ks-lazyload="([^<>]+)" alt="([^<>]+)" width="" height=""\/><\/a><\/div>/';

//匹配結果
preg_match_all($partern,$html,$result); 

//打印結果
var_dump($result); 
?>

 

　　

輸出結果，一共有4個子數組，第一個子數組是匹配到的所有的項，后面三個子數組是我們匹配表達式里的三個匹配項：

 

array(4) {
  [0]=>
  array(3) {
    [0]=>
    string(144) "<div class="goods"><a href="http://url1111" target="_blank"><img data-ks-lazyload="http://1111.jpg" alt="alt1111" width="" height=""/></a></div>"
    [1]=>
    string(144) "<div class="goods"><a href="http://url2222" target="_blank"><img data-ks-lazyload="http://2222.jpg" alt="alt2222" width="" height=""/></a></div>"
    [2]=>
    string(144) "<div class="goods"><a href="http://url3333" target="_blank"><img data-ks-lazyload="http://3333.jpg" alt="alt3333" width="" height=""/></a></div>"
  }
  [1]=>
  array(3) {
    [0]=>
    string(14) "http://url1111"
    [1]=>
    string(14) "http://url2222"
    [2]=>
    string(14) "http://url3333"
  }
  [2]=>
  array(3) {
    [0]=>
    string(15) "http://1111.jpg"
    [1]=>
    string(15) "http://2222.jpg"
    [2]=>
    string(15) "http://3333.jpg"
  }
  [3]=>
  array(3) {
    [0]=>
    string(7) "alt1111"
    [1]=>
    string(7) "alt2222"
    [2]=>
    string(7) "alt3333"
  }
}

 

原文：http://blog.csdn.net/donglynn/article/details/35788879