PHP正则表达式可以匹配所有之间 <body style=…> 和 </body> 标签

Question

我有一个cURL函数，可以抓取指定页面上的所有内容，但是我只想要body标签之间的元素。 我发现这个漂亮的正则表达式可以匹配<body>和</body>之间的所有内容，并且有效。 但后来我意识到，我需要使用卷曲上实际的一个页面有一个body标签与在它的风格的信息，让我真正想匹配之间的一切<body style=...>和</body> 。 有谁知道正则表达式来匹配它？ 到目前为止，这是我的所有代码...

<?php
    error_reporting(E_ALL); 
    ini_set("display_errors", "1");

    $pageToLoad = $_POST['load'];

        function get_data($url) {
            $ch = curl_init();
            $timeout = 5;
            curl_setopt($ch, CURLOPT_HEADER, 0);
            curl_setopt($ch, CURLOPT_URL, $url);
            curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
            curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
            curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
            curl_setopt ($ch, CURLOPT_FOLLOWLOCATION, true);
            curl_setopt ($ch, CURLOPT_USERAGENT,'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.13) Gecko/20080311 Firefox/2.0.0.13');
            $data = curl_exec($ch);
            curl_close($ch);
            return $data;
        }

        $html = get_data($pageToLoad);
        $newHtml = preg_match("~<body[^>]*>(.*?)</body>~si", $html, $newHtml);
        print_r($newHtml);
?>

Answer 1

最简单的方法是使用这样的正则表达式：

preg_match('|body[^>]*>(.*?)(?=\</body)|si',$html,$match); 

echo $match[1]; 

您想对正则表达式使用S和I修饰符以跨越多行并且不区分大小写。

Answer 2

当您尝试将属性作为搜索模式的一部分时，尝试在html中查找模式可能是一个容易的提议。 例如，一个属性值可以是单引号或双引号，并且即使有人忘记引用某项或引号不匹配，大多数解析器也将能够进行管理。 由于您只是在寻找特定的属性名称，因此它比较容易，但是仍然存在一些陷阱，例如，您要查找的属性名称是否作为另一个属性中的值存在。

（哎呀，您原来的简单正则表达式会错误地匹配诸如<bodycustomelement>...</body>类的一些不太可能的字符串。

由于样式属性几乎总是跟等号，因此我将使用该事实来查找它。 我还将确保我匹配一个body元素，而不是上面的示例中某些不可能的突变。

<body\s[^>]*style\s*=[^>]*>(.*?)</body>

REY

这与原始正则表达式基本相同，但是中间是\\s[^>]*style\\s*= 。

1. \\s确保在body元素之后有空间，使其只能是body元素。
2. [^>]*与任何字符匹配，但> 0或多次
3. style匹配字符串“样式”
4. \\s*在样式和等号之间留有空格
5. =匹配字符串“ =“

我很难想到一个使该正则表达式迷惑的示例，它也不会导致解析器出现问题。 我想如果有人在元素的开头在<和body之间添加了空格，或者他们在body的结尾处有空格或任何其他字符。 另外，有人可能只是一起省略了封闭的身体元素。

您可以继续添加正则表达式来处理示例，但是对于在野外遇到的任何情况，我给出的内容都可以正常工作。