Question

我有以下要解析的html：

<h1 class="x">test</h1>
<p>some text <img src="x" /></p>

<h1 class="x1">test2</h1>
<p>some text </p>

<h1 class="2">test3</h1>
<p>some text <img src="x" /></p>

我可以将它解析为带有单个正则表达式的数组吗？

我试过

preg_match_all('#(<h1[^>]*?>)(.*?)(</h1>)(.*)#ism',$html,$arr);

只给我一个条目，因为正则表达式的最后一部分是贪婪的，而

preg_match_all('#(<h1[^>]*?>)(.*?)(</h1>)(.*?)#ism',$html,$arr);

它没有给我<h1>之间的HTML，因为表达式并不贪婪。

如何在匹配贪婪之后制作零件，同时尽可能多地匹配？

补充意见：

这个问题相当具有学术性，我已经使用pre_split解决了这个问题，并且各种其他方法都可以使用，但也可能有缺点（例如DOM可能无效，我无法控制无效的HTML）。然而，这是一个反复出现的问题，我有兴趣了解更多。

Answer 1

你需要某种形式的终结者。正则表达式无法猜测，直到您要匹配哪个部分。

在这种情况下可能是最后(.*?)之后的先行断言：

(?=<h1|</body>|\z)#ims

Answer 2

忽略有关正则表达式不合适的评论，因为它仍然是一个有趣的问题，有两种方法可以解决这个问题：贪婪和懒惰。

模式的各个部分是：

懒惰：.*?(?=<h1|\z)
贪心：(?:[^<]+|<(?!h1))*

您可能熟悉the performance of greedy vs. lazy qualifiers in general，但这里的关键要简单得多。

如果你想要匹配的字符串完全由字符<组成，那么懒惰和贪婪的模式将执行大致相同的操作，因为它们都必须检查每个匹配字符的断言。

然而，在HTML中你有比<个字符更多的其他字符，所以贪婪的模式，不必检查其他字符，可以快几个数量级。

我承认懒惰模式更容易阅读，但我认为更好的性能是值得的，并且强烈建议您使用x修饰符评论您的模式。

preg_match_all - 正则表达式的贪婪部分，但最大化匹配数

2 个答案: