Question

我正试图从网站上抓取多个事件。

的常规格式

... EVENT TITLE & LINK ... START DATE ... END DATE ... <span class="location">LOCATION</span> ...

其中“...”是一些带有样式信息和换行符的html标签。我想从这些事件字符串中提取LINK，START DATE，END DATE和LOCATION。由于周围的html代码“...”的格式是完全规则的，抓取这四个信息很容易：我匹配周围的标签并提取我想要的部分，例如：

'|...<abbr class="dtstart">(.{10}).*?</abbr>...|s'

其中“（。{10}）”是开始日期。

问题在于LOCATION，因为某些事件列出了一个位置，其他事件列出时没有，因此在某些事件中，span标记＆lt; span class =“location”＆gt; LOCATION＆lt; / span＆gt;存在，在其他情况下它只是缺失。

所以我的问题是：

我如何匹配LOCATION？

如果我尝试

preg_match_all('|...<span class="location">(.+?)</span>...|s', $contents, $matches, PREG_SET_ORDER);

在没有位置的事件上，它与该事件不匹配（但我得到了一个有一个事件的LOCATION）。另一方面，如果我尝试

preg_match_all('|...(?:<span class="location">(.+?)</span>)...|s', $contents, $matches, PREG_SET_ORDER);

在任何事件中，该代码都匹配所有事件，但LOCATION - 即使它存在 - 也不属于我的$ matches。

那么如何匹配常规但可选的子字符串的不规则部分呢？

谢谢！

编辑（作为zigdon问题的答案）：

问题是LOCATION必须与其他事件数据匹配。想象一下这就是我想要的结果：“正义大联盟（链接到网站），4月7日到4月10日，柏林”和“在线教程（链接到网站，5月9日）。”第二个活动没有位置，但第一个事件的位置必须与标题，链接和日期匹配。这是我想要从中获取事件的页面的链接，您可以查看源代码以了解问题：{ {3}} - 目前我用

抓住了这些事件

preg_match_all('|<dt class="vevent">\s*?<span class="summary">\s*?(<a href=".+?</a>)\s*?</span>\s*?<span class="documentByLine">\s*?<span>(?:von )?<abbr class="dtstart" title=".{0,30}">(.{10}).{0,6}</abbr>.{5,100}<abbr class="dtend" title=".+?">(.{0,10}).{5,6}</abbr></span>\s*?(?:<span>— <span class="location">(.*?)</span>,</span>)?\s*?</span>\s*?</dt>|', $contents, $matches, PREG_SET_ORDER);

这很有效，但我对它不满意，因为正如答案中所提到的，“野性代码”（来自不属于我自己的网站）可能会在标签之间发生任何事情。我更喜欢一种只匹配事件部分的直接周围的解决方案，并留下非常开放的内容，即“。*？| s”。

Answer 1

使用正则表达式来解析HTML（或任何实际的标记）通常是一个非常糟糕的主意。大多数语言提供了一个实际解析HTML的库，允许您获取所需的特定元素，而无需尝试将标记与正则表达式匹配。也许，因为看起来你可能正在使用PHP，你可以看看这样的东西？ http://simplehtmldom.sourceforge.net/

另见RegEx match open tags except XHTML self-contained tags

正则表达式匹配可选子组的一部分

1 个答案: