Question

嘿伙计们，我正在尝试匹配此页面中的“地址” -

http://www.bbb.org/norfolk/business-reviews/tax-return-preparation/liberty-tax-service-in-virginia-beach-va-48000604

地址来源部分有此HTML

<tr>
    <td align="right" class="generalinfo_left">Address:</td>
    <td class="generalinfo_right">1 S Main St Ste 1430<br /></td>
</tr>
<tr>
    <td align="right" class="generalinfo_left"></td>
    <td class="generalinfo_right">Dayton, OH 45402</td>
</tr>

所以，我在PHP中尝试了以下RegEx。

"%Address:</td>(.*?)(?!<br />)</td>%s"

其中“s”是“。”的修饰符。也匹配新的线路。但它没有用。它与“Dayton，OH 45402”部分不匹配。谁能告诉我为什么？

Answer 1

请不要尝试使用正则表达式解析HTML，invokes the wrath of Zalgo。

尝试使用the DOM和xpath来定位您尝试提取的特定元素和属性。

（我提供了一个xpath示例，但它仍然在我的学习列表中... :)）

Answer 2

.*?一直到 的末尾。然后，下一个文本是“</td>”，因此前瞻失败并且匹配成功，捕获为"<td class="generalinfo_right">1 S Main St Ste 1430 "。换句话说，前瞻并不会阻止匹配，因为它太晚了。

有一些方法可以正确地编写它（例如，您可以明确添加<tr>然后<td class="generalinfo_right">。但是，Charles应该使用真正的解析器。

Answer 3

这是很正常的：如果你查看你的示例文本，你会看到在地址和代顿之间，OH 45402，你 . (?! )明确指出如果找到 它不匹配。

您应该使用HTML解析器。

那就是说，假设你的所有文件都与这个样本完全一样，这个丑陋的正则表达式应该可以工作：

%(Address:)(.*?generalinfo_right">)(.*?)((<br />)|(</td>))(.*?generalinfo_right">)(.*?)((<br />)|(</td>))%s

第1,3和8组包含地址。

但是，由于您的文档很可能并非完全相同，因此更好的解决方案是使用正确的解析器解析HTML。

RegEx不支持预测！

3 个答案: