Question

我有HTML源代码，我必须在HTML中获取一些信息文本。我不能使用DOM，因为文档格式不正确。

也许，来源可能会在以后发生变化，我无法意识到这种情况。因此，对于大多数情况，这个问题的解决方案必须是可行的。

我正在使用curl获取源代码，我将使用preg_match_all函数和正则表达式对其进行编辑。

资料来源：
...
<TR Class="Head1">
<TD width="15%">Name</TD>
<TD>: </TD>
<TD align="center">Alex</TD>
<TD width="25%">Job</TD>
<TD>: </TD>
<TD align="center" width="25%">Doctor</TD>
</TR>
...
...
<TR Class="Head2">
<TD width="15%" align="left">Age</TD>
<TD>: </TD>
<TD align="center">32</TD>
<TD width="15%">data</TD>
<TD> </TD>
<TD width="40%"> </TD>
</TR>
...

正如我们所看到的，来源并不完善。其实太可怕了！但我无能为力。来源比这长。

如何从源获取数据？我可以删除所有HTML代码，但我怎么知道数据序列？我可以用preg_match_all和regex做什么？我还能做什么？

我在等你的帮助。

Answer 1

如果你可以使用DOM，这远比正则表达式好。看一下PHP Tidy - 它旨在管理格式错误的HTML。

Answer 2

您可以使用DOMDocument加载格式错误的HTML：

$doc = new DOMDocument();
@$doc->loadHTML('<TR Class="Head2">
<TD width="15%" align="left">Age</B></TD>
<TD>:&nbsp;</TD>
<TD align="center"><font color="red">32</font></TD>
<TD width="15%"><font size="10">data</TD></font>
<TD>&nbsp;</B></TD>
<TD width="40%">&nbsp;</TD>
</TR>');


$tds = @$doc->getElementsByTagName('td');
foreach ($tds as $td) {
 echo $td->textContent, "\n";
}

为简洁起见，我在上面的代码中压制了警告。

输出：

Age
: 
32
data
  <!-- space -->
  <!-- space -->

使用正则表达式解析HTML可能是徒劳的，因为HTML不是常规语言。

Answer 3

Don't use RegEx.这个链接很有趣但没有提供信息，所以它的长短不一样就是HTML标记不是常规语言，因此不能简单地使用正则表达式进行解析。

您可以使用RegEx来解析单个“标记”（单个打开标记;单个属性名称或值...）作为递归解析算法的一部分，但是您不能使用魔法RegEx来解析HTML上的所有内容自己的。

或者您可以使用解析器。

由于标记无效，您可以使用TagSoup或PHP:Tidy。

Answer 4

$regex = <<<EOF
<TR Class="Head2">\s+<TD width="15%" align="left">Age</B></TD>\s+<TD>:&nbsp;</TD>\s+<TD align="center"><font color="red">(\d+)</font></TD>\s+<TD width="15%"><font size="10">(\w+)</TD></font>\s+<TD>&nbsp;</B></TD>\s+<TD width="40%">&nbsp;</TD>\s+</TR>
EOF;

preg_match_all($regex, $text, $result);

var_dump($result)

如何使用PHP和RegEx从HTML源代码获取数据？

4 个答案: