Question

我正在开发一个需要获取doctype和char-set的项目。

事实是我通过另一种方式得到它。但是通过正则表达式获取doctype和char-set是如此困难，因为这可以通过html以各种方式告知。

所以有人可以帮我解决这个问题。

我需要从<!DOCTYPE <!DOCTYPE HTML or more can be here>和char-set <meta charset="UTF-8"/>之后得到所有文字。

我想在PHP preg_match函数中使用它。所以，如果有人帮助我，那对我来说非常有用。

Answer 1

考虑到这样的事情：

<!DOCTYPE HTML or more can be here>

要捕获 <!DOCTYPE 后面的内容，正则表达式搜索字符串 (pattern) 应为：

<!DOCTYPE[ ]+([^ ][^>]+[^ />]+)[ /]*>

（第一个）反向引用（ \1 ）将保留 <!DOCTYPE 之后的所有内容的值，但不会包含任何尾随＆＃34;的＆＃34; （ spaces ），＆＃34; / ＆＃34; （ slashes ），或＆＃34; > ＆＃34; （的 right-angle-brackets ）。

所以，为此：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML Strict//EN">

它会返回：

HTML PUBLIC "-//W3C//DTD HTML Strict//EN"

charset 稍微困难一些。它可以是以下两种形式之一：

短：
<meta charset='utf-8'>

长：
<meta http-equiv='Content-Type' content='text/html; charset=utf-8'>

要捕获 charset 的值，正则表达式搜索字符串应为：

<meta[ ]+([^>]*|)(charset=['" ]*([^'"> ][^'">]+[^'"> ])['" ]*|charset=[ ]*([^'"> ][^'">]+[^'"> ]))([^>]*|)>

第三个反向引用（ \3 ）将保留 charset 的值，并且不会包含任何前导或尾随
/> " " （ spaces ）或[ '" ]（ {{1} } ），或＆＃34; quote-marks ＆＃34; （的 > ）。

所以，对于任何这样的（有些不合适但可能会遇到）：

right-angle-brackets

它将返回：

<meta charset=utf-8> <meta charset='utf-8'> <meta charset="utf-8"> <meta charset='utf-8 '> <meta charset=" utf-8"> <meta charset=" utf-8 "> <meta charset=utf-8> <meta charset='utf-8' something='value'> <meta something='value' charset="utf-8"> <meta something='value' charset='utf-8 ' somethingelse='value'> <meta http-equiv='Content-Type' content=text/html; charset=utf-8> <meta http-equiv='Content-Type' content='text/html; charset=utf-8'> <meta http-equiv='Content-Type' content="text/html; charset=utf-8"> <meta http-equiv='Content-Type' content='text/html; charset=utf-8' > <meta http-equiv='Content-Type' content='text/html; charset=utf-8 ' > <meta http-equiv='Content-Type' content='text/html; charset= utf-8' > <meta http-equiv='Content-Type' content='text/html; charset= utf-8 ' > <meta http-equiv='Content-Type' content=text/html; charset=utf-8> <meta http-equiv='Content-Type' content='text/html; charset=utf-8' something='value'> <meta http-equiv='Content-Type' something='value' content="text/html; charset=utf-8"> <meta something='value' http-equiv='Content-Type' content='text/html; charset=utf-8' > <meta http-equiv='Content-Type' something='value' content='text/html; charset=utf-8 ' something='value' >

<小时/>
注意：上面的 utf-8 字符串已经更正，以便匹配 DOCTYPE （一个< strong> pattern （星号）不合适。）

修改：

如何使用 "*" 函数使用上面的正则表达式搜索字符串 (patterns) ： PHP ...

preg_match 的语法（来自function.preg-match）：

preg_match


模式：要搜索的模式，为字符串。
      主题：输入字符串。
      匹配：如果提供匹配，则会填充搜索结果。 $ matches [0] 将包含与完整模式匹配的文字， $ matches [1] 将包含与第一个捕获的带括号的子模式匹配的文本，依此类推。

preg_match($pattern, $subject, $matches) 必须包含在 pattern 中，因此 delimiters 可以告知哪个部分字符串是 preg_match ，哪一部分是 Regex-pattern-string （see this about delimiters）。（注意： <pattern-modifiers> 不需要 subject 。

delimiters 字符串的组成如下：


pattern <opening-delimiter> Regex-pattern-string <强> <closing-delimiter> 的

通常情况下，您会对 <pattern-modifiers> 使用 "/" ，但您可以使用大多数 {{1} } ，或（大多数）任何 delimiters （非字母数字）。

在这种情况下，您在 brackets 字符串中使用 punctuation ，因此对于此示例，我们将使用 "/" 作为分隔符，使其更容易。

对于此示例，我们还将使用 pattern "#" 。这指定将执行搜索，而不考虑 pattern-modifier 或 {{1}中字符的 i } 即可。您还可以添加 case pattern 指定将 subject * pattern-modifier *视为 m 字符串中的正常字符。如果 newline 字符串中的文字可能跨越多行，则此功能非常有用。

因此，对于第一种情况， ("\n") 代码看起来像这样：

subject

为第二种情况指定 subject 字符串稍微复杂一点，因为它包含 PHP （单引号）和 $pattern="#<!DOCTYPE[ ]+([^ ][^>]+[^ />]+)[ /]*>#i"; $subject="<!DOCTYPE HTML or more can be here>"; $result=preg_match($pattern, $subject, $matches) /* if $result===1, then a match was found */ /* and the captured text can be found in $matches[1] */ （双引号）。

引号标记实际上不是 pattern 字符串中的问题，因为 (') 会像任何其他字符一样处理引号。引号标记的问题在于编写定义包含 (") 的字符串的PHP代码。

因此，为了定义字符串，您必须 pattern preg_match （单引号）或 pattern （双引号）。

有三种选择：

使用 escape （双引号）围绕 (') 字符串定义 (") 字符串，然后 pattern 字符串中的每个 (") （双引号），前面加上 escape （反斜杠）。

通过 (") （单引号）包围 (\) 字符串，然后 pattern 字符串中的每个 (') （单引号），前面加上 escape （反斜杠）。

通过 (') （双引号）包围 (\) 字符串，然后指定每个 {使用 pattern 表示形式的字符串中的{1}} （双引号）： (") 。

因此，您可以通过以下三种方式之一定义 (") 字符串：

HEX

对于第二种情况， \x22 代码看起来像这样：

pattern

正则表达式设置的HTML Doc Type和Char

1 个答案: