preg_match_all-正則表達式的貪婪部分，但最大程度地增加匹配數

Question

我有以下html來解析：

<h1 class="x">test</h1>
<p>some text <img src="x" /></p>

<h1 class="x1">test2</h1>
<p>some text </p>

<h1 class="2">test3</h1>
<p>some text <img src="x" /></p>

我可以將其解析為具有單個正則表達式的數組嗎？

我試過了

preg_match_all('#(<h1[^>]*?>)(.*?)(</h1>)(.*)#ism',$html,$arr);

這給我只有一個條目，因為正則表達式的最后一部分是貪婪的，並且

preg_match_all('#(<h1[^>]*?>)(.*?)(</h1>)(.*?)#ism',$html,$arr);

這給了我<h1>之間的HTML內容，因為表達式不是很貪心。

我如何才能使零件在匹配之后變得貪婪，同時又要匹配盡可能多的出現？

附加評論：

• 這個問題是學術上的問題，我已經使用pre_split解決了該問題，並且可以使用其他多種方法，但是可能還會有缺點（例如DOM可能不適用於我無法控制的無效HTML）。 但是，這是一個反復出現的問題，我很想了解更多。

Answer 1

您需要某種形式的終端機。 正則表達式無法猜測，直到您要匹配哪個部分。

在這種情況下，可能是末尾(.*?)之后的前瞻性斷言：

(?=<h1|</body>|\z)#ims

Answer 2

忽略有關正則表達式不合適的評論，因為它仍然是一個有趣的問題，有兩種方法可以解決此問題：貪婪和懶惰。

模式的各個部分是：

• 惰性 ： .*?(?=<h1|\\z)
• 貪婪 ： (?:[^<]+|<(?!h1))*

通常 ，您可能對貪婪和懶惰的限定詞的表現很熟悉，但是這里的症結要簡單得多。

如果您要匹配的字符串完全由字符< ，則懶惰模式和貪婪模式的性能大致相同，因為它們都必須檢查每個匹配字符的斷言。

但是，在HTML中，其他字符比<字符多得多，因此不必檢查其他字符的貪婪模式可以快幾個數量級。

我承認懶惰模式更易於閱讀，但是我認為非常好的性能是值得的，並且強烈建議無論如何都要使用x修飾符注釋模式。