Question

我试图在html页面中获取H1文本我使用正则表达式工作正常，直到我们开始在某些页面上使用微格式来简化，我使用了页面的标题（h1标签作为“正在审查的项目”）

问题是我之前使用的正则表达式停止工作，所以我写了另一个正则表达式，以防第一个返回空结果。我知道这非常有意义！如何将以下内容组合成一个简单的正则表达式？：

//Get the H1 title
function get_tag( $attr, $value, $xml )
{
   $attr = preg_quote($attr);
   $value = preg_quote($value);

   $tag_regex2 = '/<h1>(.*?)<\\/h1>/si';
   $tag_regex = '/<h1><span itemprop="itemreviewed">(.*?)<\\/span><\\/h1>/si';


   preg_match($tag_regex,
   $xml,
   $matches);

   if ($matches[1] == ""){
   preg_match($tag_regex2,
   $xml,
   $matches);
   };



   return $matches[1];
}

Answer 1

如果您愿意为了方便而牺牲稳健性（如果您使用正则表达式来解析HTML，则必须这样做）），您可以使用

$tag_regex = '#<h1>(?:<span itemprop="itemreviewed">)?(.*?)(?:</span>)?</h1>#si';

Answer 2

/<h1>(?:<[^>]+>)?(.*?)(?:<[^>]+>)?<\/h1>/si一般用于移除<h1/>中的标记，但您可能希望稍微自定义它。如果您想要删除上面列出的span，则会看起来像/<h1>(?:<span\s+itemprop=["']itemreviewed["'][^>]*>)?(.*?)(?:<[^>]+>)?<\/h1>/si。查看RegularExpressions.info以获得很好的参考。

结合两个正则表达式函数来去除html标签

2 个答案: