Question

我正在阅读几个不同来源的HTML，我必须操纵它。作为其中的一部分，我有一些preg_replace（）调用，我必须替换收到的html中的一些信息。

在我必须执行此操作的90％的网站上，一切正常，剩下的10％在每个preg_replace（）调用上都返回NULL。

我已经尝试根据我发现的其他文章来增加pcre.backtrack_limit和pcre.recursion_limit，这些文章看起来有同样的问题，但这一直无济于事。

我输出的preg_last_error（）返回'4'，PHP文档根本没有证明是非常有用的，所以如果有人能说明这一点，它可能会开始指向正确的方向，但是我很难过。

其中一个令人不快的例子是：

$html = preg_replace('@<script[^>]*?.*?</script>@siu', '', $html);

但正如我所说，这种情况占90％的时间。

Answer 1

不要使用正则表达式解析HTML。使用真正的DOM解析器：

$dom = new DOMDocument;
$dom->loadHTML($html);
$scripts = $dom->getElementsByTagName('script');
while ($el = $scripts->item(0)) {
    $el->parentNode->removeChild($el);
}
$html = $dom->saveHTML();

Answer 2

你有糟糕的utf-8。

/**
 * Returned by preg_last_error if the last error was
 * caused by malformed UTF-8 data (only when running a regex in UTF-8 mode). Available
 * since PHP 5.2.0.
 * @link http://php.net/manual/en/pcre.constants.php
 */
define ('PREG_BAD_UTF8_ERROR', 4);

但是，你真的不应该使用正则表达式来解析html。使用DOMDocument

编辑：如果不包括You can't parse [X]HTML with regex.

，我认为这个答案是不完整的

Answer 3

您的＃4错误是“PREG_BAD_UTF8_ERROR”，您应该检查导致此错误的网站上使用的字符集。

Answer 4

您可能超出了回溯和/或内部递归限制。见http://php.net/manual/en/pcre.configuration.php

在preg_replace：

之前试试

ini_set('pcre.backtrack_limit', '10000000');
ini_set('pcre.recursion_limit', '10000000');

输入为html时，preg_replace返回null（但不是所有时间）

4 个答案: