在PHP中從HTML提取數據的最簡單方法是什么？

Question

我正在處理大部分無效HTML的一小部分，並且需要提取一小部分數據。 考慮到大多數“標記”都是無效的，因此我認為將所有內容都加載到DOM中並不是一個好選擇。 而且，對於這種簡單情況，似乎有很多開銷。

這是我擁有的標記的示例：

(a bunch of invalid markup here with unclosed tags, etc.)
<TD><span>Something (random text here)</span></TD>
(a bunch more invalid markup here with more unclosed tags.)

<TD><span>Something (random text here)</span></TD>部分不會在文檔中的任何位置重復其本身，因此我相信使用簡單的正則表達式即可解決問題。

但是，我對正則表達式感到恐懼。

我應該使用正則表達式嗎？ 有沒有更簡單的方法可以做到這一點？ 如果可能的話，我只想提取Something之后的文本（此處為隨機文本）。

提前致謝！

編輯-

HTML的確切示例（我已經省略了之前的內容，這是供應商使用的無效標記。我認為，該示例與該示例無關）：

<div class="FormTable">
        <TABLE>
        <TR>
                <TD colspan="2">In order to proceed with login operation please 
                answer on the security question below</TD>
        </TR>
        <TR>
                <TD colspan="2">&nbsp;</TD>
        </TR>
        <TR>
                <TD><label class="FormLabel">Security Question</label></TD>
                <TD><span>What is your city of birth?</span></TD>
        </TR>
        <TR>
                <TD><label class="FormLabel">Answer</label></TD>
                <TD><INPUT name="securityAnswer" class="input" type="password" value=""></TD>
        </TR>
        </TABLE>
</div>  

Answer 1

如果您確定打開和關閉span標簽在同一行上。 。 。

$ cat test.php
<?php
  $subject = "(a bunch of invalid markup here with unclosed tags, etc.)
              <TD><span>Something (random text here)</span></TD>
              (a bunch more invalid markup here with more unclosed tags.)";

  $pattern = '/<span>.*<\/span>/';

  preg_match($pattern, $subject, $matches);
  print_r($matches);

?>


$ php -f test.php
Array
(
    [0] => <span>Something (random text here)</span>
)

如果您不確定span標記在同一行上，則可以將html視為文本文件，並將grep用作span標記。

$ grep '[</]span>' yourfile.html

Answer 2

您可能會通讀此答案以及它引用的其他兩個答案 。 實際上，一次使用無效的 HTML代碼比使用完整的解析器更容易讓運氣好一點。

Answer 3

在您的情況下，使用DOM分析器並不是最佳選擇。 我堅信您需要SAX解析器，它僅提取文檔的一部分並將適當的事件發送給處理程序。 此方法可以輕松解析損壞的文檔。

范例： http : //pear.php.net/package/XML_HTMLSax3 http://www.php.net/manual/en/example.xml-structure.php

Answer 4

嘗試使用DOMDOcument::loadHTML()方法，該方法應該消除與HTML相關的任何驗證錯誤。