Question

我正在尝试解析HTML页面并获取特定数据（使用PHP）。这是我的正则表达式：

$pattern = '/class=\"group\">.*[\n\r]*.*[\n\r]*.*[\n\r]*.*/';
preg_match_all($pattern, $subject, $matches);

这就是我找到的（以黄色突出显示）：

enter image description here

<NOBR>םושיר&nbsp;לטב<input type="checkbox" name="DEL104004"
onClick="UPG104004.selectedIndex=0"></NOBR></TD>
<TD class="group">22</TD>
<TD class="points">5.0</TD>
<TD>some text</TD>
<TD><A HREF="http://www.website.com/mk.php?MK=104004" class="mk">104004</A></TD>
</TR>
<TR ALIGN=RIGHT BGCOLOR=#FFCC33>
<TD COLSPAN=2><BR></TD>
<TD>5.0</TD>

但实际上我只需要用红色圈出的数据（22,104004）。我可以使用正则表达式吗？

更多信息

我可以假设这个特殊的结构不会改变。 HTML主要是一个包含很少行的表，其中一些包含我想要获取的数据（组号和MK号）。

Answer 1

根据您更新的信息（ ...我想要的数据（组号和MK号）），您可以使用XPath完成：

$dom=new DOMDocument("1.0","UTF-8");
$dom->loadHTML($html);
$xpath=new DOMXPath($dom);
foreach($xpath->query('//td[@class="group" or @class="mk"]') as $node)
{
    echo $node->attributes->getNamedItem("class")->nodeValue; /* class name */
    echo ": ";
    echo $node->textContent; /* data */
    echo "\n";
}

Online demo

没有换行符/行号陷阱。

Answer 2

如果你的HTML是常量，总是这种模式，你可以使用一个容易破解的正则表达式：

$pattern = '/(?:class="group"[^>]*>|class="mk"[^>]*>)\s*(\d+)/'
preg_match_all($pattern, $subject, $matches);

这将捕获捕获组中所需类标记之后的所有数字（即$matches[1]）。显然，这只是一个快速的＆amp;脏的解决方案，因为HTML中的一些修改会破坏它：但是因为你说这是非常有限的用途......（如果它易于改变你应该真的考虑HTML解析器解决方案）

一些解释

(\d+)：\d是[0-9]的快捷方式，括号是捕获组。捕获组允许您在变量中存储它匹配的内容，以便可以在同一个正则表达式中重用它，或者可以在以后提取它。此处，第一个捕获组结果将存储在$matches[1]。
(?:...)：此结构是非捕获组。它允许您使用括号对模式进行分组，而不捕获它们。这使您只能存储您想要的内容。
|：管道意味着或
[^...]表示但是方括号内的内容（^是这些括号内的特殊字符）
\s是任何类型空格的快捷方式（换行符，制表符，空格......）

获得正则表达式的一部分

2 个答案: