用php中的preg_match_all匹配标签whitin标签

Question

我目前正在研究一种将HTML文档解析到数据库中的方法。 我不允许更改HTML文档中的任何格式。 在下面的示例中，我需要查找哪些标签的类ID为“ Category”，然后在此示例中的“示例文本”中获取该标签中的数据。

如何获得不仅匹配之后直接结束的标签的代码？

$tags = "<p class=Category style='margin-left:0in;text-indent:0in'><a name='_
Toc390163149'></a><a name='_Ref388370252'></a><a
name='_Toc122858606'><span lang=EN-GB>3.<span style='font:7.0pt 'Times New 
Roman''>&nbsp;</span></span><span lang=EN-GB>Example Text</span></a></p>";

preg_match_all("/(<([\w]+)[^>]*>)(.*?)(<\/\\2>)/", $tags, $matches, PREG_SET_
        foreach ($matches as $val) {
            echo "matched: " . htmlspecialchars($val[0]) . "</br>";
            echo "part 1: " . htmlspecialchars($val[1]) . "</br>";
            echo "part 2: " . htmlspecialchars($val[2]) . "</br>";
            echo "part 3: " . htmlspecialchars($val[3]) . "</br>";
            echo "part 4: " . htmlspecialchars($val[4]) . "</br></br>";
        }

输出：

matched: <a name="_Toc390163149"></a>
part 1: <a name="_Toc390163149">
part 2: a
part 3:
part 4: </a>

matched: <a name="_Ref388370252"></a>
part 1: <a name="_Ref388370252">
part 2: a
part 3:
part 4: </

matched: <span lang=EN-GB>When not to follow Rules</span>
part 1: <span lang=EN-GB>
part 2: span
part 3: When not to follow Rules
part 4: </span>

有任何想法吗？

Answer 1

简短的答案是，您不能使用正则表达式解析复杂的数据格式（例如HTML），或者至少不应该。

长话短说，PHP提供了许多用于解析HTML的库，与正则表达式解决方案相比，这既省事又省力。 感兴趣的两个将是SimpleXML（如果您正在解析XHTML）和DOMDocument（如果您正在解析可能是XML或不是XML的标记）。 我倾向于将后者用于HTML。

将标记加载到DOMDocument中之后，可以使用XPath查询来找到所有p.category标签，并对其进行迭代以获取其子节点和内容。