使用正则表达式模式重复捕获组
[英]Repeating capture group with a regex pattern
问题描述
我正在尝试从网站上获取产品列表，包括各个产品代码。 产品代码是5位代码，元素的复杂程度从
<p>Part Number: 67001</p>
<p>Part Number: 50545 – 450g Cartridge 50525 - 2.5kg Tub 50520 - 20kg Pail 50555 - 55kg Drum 50575 *Indent - 175kg Drum</p>
不幸的是，五位数字模式遍及整个网页，所以我不能只使用/\\d{5}/
我使用的是正则表达式，该正则表达式仅提取“零件号”元素中的5位数字，而不提取网页的其余部分。
类似于： /\\<p\\>Part\\s*Number\\:\\s*((\\d{5}) repeat this capture group n times)\\<\\/p\\>/
我知道我可以做到这一点，可以分阶段分解页面并逐个应用一个正则表达式。 例如
第一阶段/\\<p\\>Part\\s*Number\\:\\s*.*?\\<\\/p\\>/
第二阶段/\\d{5}/
但是有可能以一种正则表达式模式执行吗？
2 个解决方案
解决方案1
2 2017-07-24 23:45:19
我现在比一年前要聪明得多，所以我完全抹掉了最初的建议。 尝试解析有效的html时，最好/最可靠的方法是使用dom解析器。 XPath使节点/元素搜寻超级容易。 一旦取消了不包含Part Number关键字的<p>标记的资格，则正则表达式模式仍然是一种合适的工具。
代码：（ 演示 ）
$html = <<<HTML
<p>Zip Code: 99501</p>
<p>Part Number: 67001</p>
<p>Part Number: 98765 - 10000kg capacity</p>
<p>Some dummy/interfering text. Part Number: 12345</p>
<p>Zip Codes: 99501, 99524 , 85001 and 72201</p>
<p>Part Number: 50545 – 450g Cartridge 50525 - 2.5kg Tub 50520 - 20kg Pail 50555 - 55kg Drum 50575 *Indent - 175kg Drum</p>
HTML;
$partnos = [];
$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
foreach ($xpath->query("//p[starts-with(., 'Part Number: ')]") as $node) {
// echo "Qualifying text: {$node->nodeValue}\n";
if (preg_match_all('~\b\d{5}\b~', $node->nodeValue, $matches)) {
$partnos = array_merge($partnos, $matches[0]); //or array_push($partnos, ...$matches[0]);
}
}
var_export($partnos);
输出：
array (
0 => '67001',
1 => '98765',
2 => '50545',
3 => '50525',
4 => '50520',
5 => '50555',
6 => '50575',
)
xpath查询说：
//p #find p tags at any level/position in the dom
[starts-with(. #with a substring at the start of the node's text
, 'Part Number: ')] #that literally matches "Part Number: "
正则表达式模式使用单词边界元字符 （ \\b ）来区分零件编号和非零件编号。 如果由于问题中未包含某些数据而需要调整模式，请告知我们，我们将提供进一步的指导。
最终，我调情了一个纯正则表达式解决方案，该解决方案将\\G包含在“ Part Number:或之前的匹配之后以“继续”匹配，但是这种类型的模式很难概念化，并且dom解析器再次是更稳定的工具与正则表达式处理有效的html时。
解决方案2
0 2017-07-24 21:45:31
如果我正确理解了您的问题，则应该可以执行以下操作：
Part\\sNumber:\\s(\\d{5})
假设您的字符串包含所有的Part Number ，如下所示：
<p>Part Number: 67001</p>
<p>Part Number: 50545 – 450g Cartridge 50525 - 2.5kg Tub 50520 - 20kg Pail 50555 - 55kg Drum 50575 *Indent - 175kg Drum</p>
<p>Part Number: 23425 - 55kg Drum 50575 *Indent - 175kg Drum</p>
<p>Part Number: 52232</p>
使用正则表达式提取URL参数 - 重复捕获组
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.