Question

我有以下数据

<description><div dir="ltr" style="text-align: left;" trbidi="on"><div class="MsoNormal"><i><span style="font-family: Georgia, Times New Roman, serif; font-size: xx-small;">By Marina Correa</span></i></div><div class="MsoNormal"><i><span style="font-family: Georgia, Times New Roman, serif; font-size: xx-small;">Photography: Courtesy the architect</span><span style="font-family: Georgia, serif; font-size: 9pt;"><o:p></o:p></span></i></div><div class="MsoNormal"><br></div><table align="center" cellpadding="0" cellspacing="0" class="tr-caption-container" style="margin-left: auto; margin-right: auto; text-align: center;"><tbody><tr><td style="text-align: center;"><a href="http://3.bp.blogspot.com/-D1JRy4epwOM/UooCcR-U7lI/AAAAAAAALyM/tDr2ezxnb-I/s1600/Prost_Beer_+House_AH_Design_Indiaartndesign.jpg" imageanchor="1" style="margin-left: auto; margin-right: auto;"><img alt="Prost Beer House in Bengaluru, India,by AH design." border="0" src="http://3.bp.blogspot.com/-D1JRy4epwOM/UooCcR-U7lI/AAAAAAAALyM/tDr2ezxnb-I/s1600/Prost_Beer_+House_AH_Design_Indiaartndesign.jpg" title=""></a></td></tr><tr><td class="tr-caption" style="text-align: right;"><span style="font-family: Arial, Helvetica, sans-serif; font-size: xx-small;">.</span></td></tr></tbody></table><div class="MsoNormal"><br></div><div class="MsoNormal"></div><div style="text-align: justify;"><span style="font-family: Georgia, &#39;Times New Roman&#39;, serif;">Evolving from carnage of shipwrecked metal, the interiors of Prost Beer House in Bengaluru, India, make it an attention-grabbing drinking hole…</span></div></div><a href="http://inditerrain.indiaartndesign.com/2013/11/beerhouse-rock.html#more">Read more »</a><img src="http://feeds.feedburner.com/~r/IndiaArtNDesign/~4/jGC75D3KB0o" height="1" width="1"/></description>

然而不是“＆lt;”我有“＆amp; lt;”而不是“＆gt;”我有“＆amp; gt;”

我需要一个正则表达式来查找不在html标签内的数据，即实际文本，而不是标签的名称，类名等......

用“＆lt;”解析html和“＆gt;”我发现了这个：（？＆lt; = ^ |＆gt;）[^＆gt;＆lt;] +？（？=＆lt; | $）

虽然我不知道如何将其转换为适合我需要的东西。非常感谢帮助

Answer 1

它看起来像XML中的HTML片段，在RSS源的描述中更具体。如果是这种情况，您应该使用DOM解析RSS，这将解码实体很长一段路：

$dom = new DOMDocument();
$dom->loadXml($rss);
$xpath = new DOMXpath($dom);

迭代这些项目：

foreach ($xpath->evaluate('/rss/channel/item') as $rssItem) {

项目的标题只是一个可以直接使用的文本值：

  echo 'Title: ', $xpath->evaluate('string(title)', $rssItem), "\n";

示例中的描述包含带有转义实体的文本节点中的html片段，我已经看到了CDATA的其他示例。外部xml文档并不重要。它是文本，如果您阅读的是文本，实体将被转换回各自的字符。

  $description = $xpath->evaluate('string(description)', $rssItem);

所以现在$ description包含＆lt;和＆gt;再次。它可以使用loadHtml（）加载到DOM中，或者只使用strip_tags（）进行清理。

  echo 'Description: ', strip_tags($description), "\n\n";

一个完整的例子（RSS改编自Wikipedia）：

$rss = <<<'RSS'
<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
<channel> 
 <item>
  <title>Example entry</title>
  <description>Here is some &lt;b&gt;text&lt;/b&gt; containing an interesting &lt;i&gt;description&lt;/i&gt; with &lt;span class="important"&gt;html&lt;/span&gt;.</description>
 </item>
</channel>
</rss>
RSS;

$dom = new DOMDocument();
$dom->loadXml($rss);
$xpath = new DOMXpath($dom);

foreach ($xpath->evaluate('/rss/channel/item') as $rssItem) {
  echo 'Title: ', $xpath->evaluate('string(title)', $rssItem), "\n";
  $description = $xpath->evaluate('string(description)', $rssItem);
  echo 'Description: ', strip_tags($description), "\n\n";
}

输出：

Title: Example entry
Description: Here is some text containing an interesting description with html.

Answer 2

用于解码，您可以使用htmlspecialchars_decode

有关详细信息，请查看http://php.net/manual/en/function.htmlspecialchars-decode.php

Answer 3

要快速获取原始文本（没有标签），您可以进行此替换：

$result = preg_replace('~&lt;.*?&gt;~s', ' ', $source);

Answer 4

这为您提供了您正在寻找的所有文本：

preg_match_all("/(?<=&gt;)(?!&lt;).*?(?=&lt;)/", $source, $result);

使用您的示例输入查看此正则表达式的live demo。

php reg ex查找不在html标签中的数据，但使用＆lt;识别html和＆gt;

4 个答案: