Question

说我有一个像这样的文本块：

<item>
   foo bar foo bar 
   <item> child item </item>
</item>
<item>
   second item
   <item> second child </item>
</item>

在这里，我想要的只是解析要解析的<item>的两个顶级，并将结果返回给我，如下所示：

[0] = "foo bar foo bar  <item>child item</item>"
[1] = "second item  <item>second child </item>";

然而，在我的测试中，由于子级别<item>标签与模式匹配，因此它们也包含在内，我得到一个4元素数组，而不是我想要的2元素数组。

这是我用过的模式：

%<item>(.+)</item>%si

有什么想法吗？

编辑：这不适用于HTML，它是一种自定义的内部脚本语言，我无法使用任何dom解析器。所以请建议使用正则表达式解决方案。

Answer 1

%<p>(.+?)^</p>%smi

修改

$text = "<item> foo bar foo bar <item> child item </item> </item> <item> second item <item> second child </item> </item>";
preg_match_all('%<item>(.*?<item>.*?</item>).*?</item>%si', $text, $matches);
print_r($matches[1]);

输出

Array
(
    [0] =>  foo bar foo bar <item> child item </item>
    [1] =>  second item <item> second child </item>
)

Answer 2

正则表达式并不适合您正在做的事情。如果你追求这条路线，你可能会花费更多的时间，而不是你走另一条路线。我建议你查看一个DOM解析器。下面的一个相当容易使用，应该可以满足您的基本需求。

PHP Simple HTML DOM Parser

同时查看this question，因为它会为您提供更多选择。

Answer 3

您说输入不是HTML，而是提供了一个看起来像HTML的字符串。请参阅，正则表达式最适用于纯文本，而不是标记文本。你没有透露这种输入背后的真实语言是什么，因此，我可以建议的解决方案是基于假设<字符不能作为文字中间元素节点出现（仅作为某个实体）。

这意味着，您可以使用否定字符类 [^<]并将*量词应用于它：

%<item>([^<]+)</item>%i

请参阅regex demo，PHP demo：

$text = "<item> foo bar foo bar <item> child item </item> </item> <item> second item <item> second child </item> </item>";
preg_match_all('%<item>([^<]*)<item>%i', $text, $matches);
print_r($matches[1]);
// => Array ( [0] =>  foo bar foo bar  [1] =>  second item )

如何用正则表达式解析第一级嵌套标签？

3 个答案: