Question

目前我正在从HTML页面抓取数据。我的一个代码不起作用。 HTML内容有类似的内容。

<ul class="pagination">
    <li>
        <span class="page active">
            1
        </span>
    </li>
    <li>
        <a class="page available" href="/somethingherewithanychars1">
            2
        </a>
    </li>
    <li>
        <a class="page available" href="/somethingherewithanychars2">
            3
        </a>
    </li>
    <li>
        <a class="page available" href="/somethingherewithanychars3">
        4
        </a>
    </li>
<ul>

我尝试使用此代码获取活动页面链接旁边的href值，例如活动页面链接为页码1的示例，因此我将获得的href值必须是页面编号2，其中值为 / somethingherewithanychars1 但它无法正常工作

$file_string = file_get_contents($url); 
 preg_match('/<li><span class="page active">.*?<\/span><\/li><li><a class="page available" href="(.*)">/i', $file_string, $pages); 

print_r($pages);

我访问的html有一些像这样的代码

<div class="attributes">
   <a class="name" href="/linksTothissite" data-hovercard-id="somechars">link1</a>
   <span class="list">
    USA
   </span>
   <a class="name" href="/linksTothissite" data-hovercard-id="somechars">link2</a>
   <span class="list">
    CANADA
   </span>
</div>

我尝试使用此代码获取值，我可以获取link1和link2

preg_match_all('/<a class="name" href=".*?" data-hovercard-id=".*?">(.*)<\/a>/i', $file_string, $values);

这一个我可以得到美国和加拿大

 preg_match_all('/<span class="list">(.*?)<\/span>/s',$file_string, $values); 
         $val= $values[1];

为什么我的preg_match没有得到我需要的值？我尝试使用pre_match_all（），但我仍然在print_r Array（）中得到一个输出，但我的其余代码都可以工作。

Answer 1

这样做的好方法是将DOM与XPath结合使用，作为Prix编写。

如果您想要检查您要查找的链接是来自具有“分页”类的无序列表中项目的子元素，并检查该项目是“活动页面”项目之后的下一项，查询会有点复杂。

$doc = new DOMDocument();
@$doc->loadHTMLFile($url);
$xpath = new DOMXPath($doc);
$xquery = '//ul[@class="pagination"]'                    // ul with the "pagination" class
        . '/li[descendant::span[@class="page active"]]'  // li that contains a span with "page active" class
        . '/following-sibling::*[1]'                     // next sibling (next li)
        . '/a/@href';                                    // href attribute of the a tags
$links = $xpath->query($xquery);
echo $links->item(0)->value;

正则表达式不起作用的原因是：

您忘记了标签之间所有可能的空格（空格，制表符，换行符）。
使用点来描述无法匹配换行符的标记之间的可能字符
这里不致命但是：你使用贪婪的量词(.*)"来描述链接（结果：正则表达式引擎将采用该行的最后一个双引号，而不是它遇到的第一个。）

在必要时添加\s*后，您可以用否定的字符类替换.*和.*?：

preg_match('/<li>\s*<span class="page active">[^<]+<\/span>\s*<\/li>\s*<li>\s*<a class="page available" href="([^"]+)">/i', $file_string, $pages);

请记住，当DOM方法始终有效时，html代码中的最小变化会使您的模式失败（只要树结构保持不变）

刮取HTML内容，preg_match不起作用

1 个答案: