不从我的正则表达式中提取元标记数据

Question

我在php variable有以下字符串

<?php
$data="<meta charset='UTF-8'>
<meta name='keywords' content='your, tags'>
<meta name='description' content='150 words'>
<meta name='subject' content='your website's subject'>
<meta name='copyright' content='company name'>
<meta name='language' content='ES'>
<meta name='robots' content='index,follow'>
<meta name='revised' content='Sunday, July 18th, 2010, 5:15 pm'>
<meta name='abstract' content=''>
<meta name='topic' content=''>
<meta name='summary' content=''>
<meta name='Classification' content='Business'>
<meta name='author' content='name, email@hotmail.com'>
<meta name='designer' content=''>
<meta name='reply-to' content='email@hotmail.com'>
<meta name='owner' content=''>
<meta name='url' content='http://www.websiteaddrress.com'>
<meta name='identifier-URL' content='http://www.websiteaddress.com'>
<meta name='directory' content='submission'>
<meta name='pagename' content='jQuery Tools, Tutorials and Resources - O'Reilly Media'>
<meta name='category' content=''>
<meta name='coverage' content='Worldwide'>
<meta name='distribution' content='Global'>
<meta name='rating' content='General'>
<meta name='revisit-after' content='7 days'>
<meta name='subtitle' content='This is my subtitle'>
<meta name='target' content='all'>
<meta name='HandheldFriendly' content='True'>
<meta name='MobileOptimized' content='320'>
<meta name='date' content='Sep. 27, 2010'>
<meta name='search_date' content='2010-09-27'>
<meta name='DC.title' content='Unstoppable Robot Ninja'>
<meta name='ResourceLoaderDynamicStyles' content=''>
<meta name='medium' content='blog'>
<meta name='syndication-source' content='https://mashable.com/2008/12/24/free-brand-monitoring-tools/'>
<meta name='original-source' content='https://mashable.com/2008/12/24/free-brand-monitoring-tools/'>
<meta name='verify-v1' content='dV1r/ZJJdDEI++fKJ6iDEl6o+TMNtSu0kv18ONeqM0I='>
<meta name='y_key' content='1e39c508e0d87750'>
<meta name='pageKey' content='guest-home'>
<meta itemprop='name' content='jQTouch'>
<meta http-equiv='Expires' content='0'>
<meta http-equiv='Pragma' content='no-cache'>
<meta http-equiv='Cache-Control' content='no-cache'>
<meta http-equiv='imagetoolbar' content='no'>
<meta http-equiv='x-dns-prefetch-control' content='off'>";

我想提取列出的元标记的值， 包括名称元标记和httpequiv元标记

这就是我在这里：

// explode the string by newline
$parts=explode("\n",$data);

// loop through each meta tag line
foreach($parts as $part){

  // match inside the name attribute and the content attribute
  preg_match("/<meta name=\"(.*)\" content=\"(.*)\" \/>/i",$part,$matches);

  // returns "</pre><pre>Array()"
  print "<pre>".print_r($matches,true)."</pre>";
}

我认为我的正则表达式出了点问题。

Answer 1

属性使用单引号而不是双引号。 结束标记不是/>而是>没有空格：

preg_match("/<meta name='([^']*)' content='([^']*)'\s?\/?>/i", $part, $matches);

说明：

[^']* # get all data until ' is reached
\s?   # with whitespace character (\s), or not (?)
\/?   # with slash (/) or not (?) 

这是一个同时使用双引号和多个空格的版本：

"/<meta\s*name=['\"]([^']*)['\"]\s*content=['\"]([^']*)['\"]\s?\/?>/i"

-> 在线演示

但是，始终最好使用DOM解析器检查HTML元素。

Answer 2

在正常情况下，最好/最可靠的建议是使用DomDocument或其他一些专用的HTML解析工具来解析您的html。

这是实现DomDocument和Xpath的解决方案的样子：

码：

$result = [];
$dom=new DOMDocument;
libxml_use_internal_errors(true);  // do not display warnings on erroneous lines
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
foreach ($xpath->evaluate("//meta[(@name or @http-equiv) and @content]") as $node) {  // target <meta> tags containing both a name & content attribute
    if ($value = $node->getAttribute('name')) {
        $attr = 'name';
    } else {
        $attr = 'http-equiv';
        $value = $node->getAttribute('http-equiv'); 
    }
    $result[]=[$attr => $value, 'content' => $node->getAttribute('content')];
}

var_export($result);

但是，由于输入数据格式错误（内容属性值中的未转义单引号），因此这些值会在第一个单引号处被截断。

捕获目标数据而不截断这些值的最直接的解决方法是使用贪婪的正则表达式模式 。

码：

preg_match_all("~<meta (?:name|http-equiv)='(.*)' content='(.*)'>~", $html, $matches, PREG_SET_ORDER)

这将对您的模式有效，因为您的输入数据的格式看似严格。 目标行完全具有2个目标属性，并且顺序相同，没有多余的字符可容纳。 贪婪的*量词将匹配零个或多个字符（努力匹配尽可能多的字符-包括撇号），同时遵守其他模式要求。 此模式不会截断您的属性值。 我正在使用PREG_SET_ORDER将元标记的数据分组在一起-您不必在实际项目中使用它。 这是一个regex方法的演示和一个注释掉了的DomDocument方法，演示了引用问题 。