Question

我正在编写一个函数，它从html文件中找到的第一个图像标记中删除src。按照this thread中的说明，我得到了一些似乎有用的东西：

preg_match_all('#<img[^>]*>#i', $content, $match); 

foreach ($match as $value) {
    $img = $value[0];
                           } 

$stuff = simplexml_load_string($img);
$stuff = $stuff[src];
return $stuff;

但是在使用该函数几分钟后，它开始返回错误：

警告：simplexml_load_string（）[0function.simplexml-load-string0]：实体：第1行：解析器错误：第42行路径/ to / script中标记img第1行中数据的过早结束。

和

警告：simplexml_load_string（）[0function.simplexml-load-string0]：tp：//feeds.feedburner.com/~f/ChicagobusinesscomBreakingNews？i = KiStN“border =”0“＆gt; in path / to / script在第42行。

我是PHP的新手，但似乎我的正则表达式错误地删除了HTML。我怎样才能让它更“密不透风”？

Answer 1

这两行PHP代码应该为您提供HTML文件中所有img标记中src属性的所有值的列表：

preg_match_all('/<img\s+[^<>]*src=["\']?([^"\'<>\s]+)["\']?/i', $content, $result, PREG_PATTERN_ORDER);
$result = $result[1];

为了保持正则表达式简单，我不允许文件名中包含空格。如果要允许此操作，则需要为引用的属性值（可以包含空格）和不带引号的属性值（不能包含空格）使用单独的替代项。

Answer 2

最有可能的原因是正则表达式拾取的“XML”因任何原因而不是正确的XML。我可能会选择一个更复杂的正则表达式来取出src属性，而不是使用SimpleXML来获取src。这个REGEX可能接近你所需要的。

<img[^>]*src\s*=\s*['|"]?([^>]*?)['|"]?[^>]*>

您也可以使用真正的HTML Parsing库，但我不确定PHP中存在哪些选项。

Answer 3

属性中的＆符号本身是无效的XML（它应该被编码为“＆amp; amp;”），但是有些人仍然把它放在HTML页面上的URL上（并且所有浏览器都支持它）。也许存在你的问题。

如果是这种情况，您可以在解析之前清理字符串，将“&(?!amp;)”替换为“&”。

Answer 4

关于另一个主题：

foreach ($match as $value) {
    $img = $value[0];
                           }

可以替换为

$img = $match[count($match) - 1][0];

这样的事情：

if (preg_match('#<img\s[^>]*>#i', $content, $match)) {
    $img = $match[0]; //first image in file only
    $stuff = simplexml_load_string($img);
    $stuff = $stuff[src];
    return $stuff;
} else {
    return null; //no match found
}

当我使用它从HTML中捕获img src时，为什么这个正则表达式会返回错误？

4 个答案: