PHP Regex从非捕获组中提取内部内容

Question

我正在从一个很长的HTML表中解析信息； 现在，我使用的代码是使用DOMDocument，DOMElement（etc）类进行解析的。 我想做一个性能测试，对正则表达式从表中取出信息来运行当前方法，但我无法获得正确的表达式。

该表的HTML行如下所示：

<tr><td>   JON SMITH     </td><td> 2000-09-29 </td></tr>

我一直在尝试的表达式看起来像这样：

/(?:<td>([a-zA-Z\s]*?)<\/td><td>([0-9-\s]*?)<\/td>)/

上面的表达式的问题在于，它返回的是整个行的内容，而不仅仅是内部列的内容。 理想情况下，preg_match_all数组的结果应该是名称，日期，名称，日期等。

这是合理的做法，还是我应该坚持使用DOM技术？ 如果合理，有人可以帮您使用正则表达式吗？

谢谢！

编辑 ：万一将来有人偶然发现，RegEx解决方案的性能要比使用DOM类更好； 在我的情况下，这是秒和分钟之间的差异。

Answer 1

我的解决方案：

第1步。 搜索<table>...</table> ：
/<table[^>]*+>([^<]*+(?:(?!<\\/?+table)<[^<]*+)*+)<\\/table>/i

第2步。 从步骤1组1中搜索所有<tr>...</tr> ：
/<tr[^>]*+>([^<]*+(?:(?!<\\/?+tr)<[^<]*+)*+)<\\/tr>/ix

第三步。 从每个<td>...</td>提取数据（来自step2 group1）：
/<td[^>]*+>([^<]*+(?:(?!<\\/?+td)<[^<]*+)*+)<\\/td>/ix

这些可怕的模式是指Mastering Regular Expressions 3rd

样例代码：

    <?php
$foo = '<tr><td>   JON SMITH     </td><td> 2000-09-29 </td></tr>';
if(preg_match_all('/<td[^>]*+>([^<]*+(?:(?!<\/?+td)<[^<]*+)*+)<\/td>/ix', $foo, $matches) > 0){
    for($i = 0; $i < count($matches[0]); ++$i)
        printf("%s\n", $matches[0][$i]);

    for($i = 0; $i < count($matches[1]); ++$i)
        printf("%s\n", $matches[1][$i]);
}
?>

输出：

<td>   JON SMITH     </td>
<td> 2000-09-29 </td>
JON SMITH
2000-09-29

Answer 2

使用preg_match_all（）并将第三个参数与要填充的数组和第四个参数PREG_SET_ORDER一起传递。

preg_match_all("/(?:<td>([a-zA-Z\s]*?)<\/td><td>([0-9-\s]*?)<\/td>)/", $html, $matches, PREG_SET_ORDER);

结果数组应如下所示：

$matches => array(
   [0] => array(
      [0] => '<td>   JON SMITH     </td><td> 2000-09-29 </td>',
      [1] => '   JON SMITH     ',
      [2] => ' 2000-09-29 '
   ),
   [1] => array(
      [0] => '<td>   JACK BOLD     </td><td> 2000-10-20 </td>',
      [1] => '   JACK BOLD     ',
      [2] => ' 2000-10-20 '
   ),
   ...
);

请参考preg_match_all（）文档。