Question

我无法在需要从中挖掘数据的页面上使用preg_match。在$ url上获取内容通常会输出如下所示的多个字符串

https://www.zigsaw.in/companies-detail/AU-Small-Finance-Bank-Ltd/65344.html

这些字符串通常可以包含小字符，大字符，/，（，），-等。我想提取数据

“公司详情/”之后
“。html”之前

我使用的代码如下

$contents=file_get_contents($url);
$pattern='/\b(https://www.zigsaw.in/companies-detail/)\b+[a-zA-Z0-9.-()]+\b(.html)\b/';
preg_match_all($pattern, $contents, $matches);
var_dump($matches);

但是，以上代码未获取

的预期结果

澳大利亚小型金融银行有限公司/65344.html

＆喜欢

Answer 1

TLDR：

使用此命令：\bwww\.zigsaw\.in\/companies-detail\/\K[^\/]+\/[^\/]+(?=\.html)

Demo

说明：

您在正则表达式上遇到了几个问题

正则表达式通常以'/'字符分隔，因此如果使用它们，则需要对这些字符进行换码。例如，http://应该是http:\/\/
尽管不会出现错误，但您应将点.换成\.，因为点表示除换行以外的任何字符。因此，www.在这里您可能是指文字点：www\.
您具有以下构造：\b+，这是错误的。 \b表示裸字，而+重复一次或多次。这种组合没有意义。您可以通过将+改为文字+：\+来解决错误，但是，由于我认为这对您的正则表达式根本没有帮助，因此我只删除它们
在[a-zA-Z0-9.-()]上，您应将最后一个-换成\.，因为破折号用于指定范围（如a-z）。另一种选择是像这样将其放在结尾：[a-zA-Z0-9.()-]

使用上述修复程序，您将获得：\b(https:\/\/www\.zigsaw\.in\/companies-detail\/)[a-zA-Z0-9.()-]+\b(.html)\b，但仍然不匹配。这是因为字符类[a-zA-Z0-9.()-]不允许出现小节/。

因此，在这里https://www.zigsaw.in/companies-detail/Foo-BAR-Bank/12345.html与https://www.zigsaw.in/companies-detail/Foo-BAR-Bank匹配时，您无法“继续”匹配，以后您会期望找到.html，这是错误的。因此regexp失败。

您可以通过在类中添加栏来解决此问题，如下所示：

\b(https:\/\/www\.zigsaw\.in\/companies-detail\/)[a-zA-Z0-9.()\/-]+\b(.html)\b

或者您也可以使用：\b(https:\/\/www\.zigsaw\.in\/companies-detail\/)[^\/]+\/[^\/]+\b(.html)\b，将类更改为[^\/]+\/[^\/]+，这意味着任何不是竖线的字符，重复一次或多次，再横杠，然后再输入不是竖线的任何字符一个酒吧重复一次或多次。

我们还删除了.html之前的\b，因为它没有添加任何内容。

现在，您遇到的问题是只匹配您感兴趣的事物。您可以添加一个像\b(https:\/\/www\.zigsaw\.in\/companies-detail\/)([^\/]+\/[^\/]+)(.html)\b这样的捕获组并恢复第二个组。

但是，您也可以在不捕获组的情况下做到这一点：

使用\K，我们将忽略所有先前匹配的数据。并提前查找，我们“不匹配就匹配”（我们只检查下一个字符的某些模式，将其用于\.html）

因此您可以使用：

\bwww\.zigsaw\.in\/companies-detail\/\K[^\/]+\/[^\/]+(?=\.html)

HTML页面中的模式匹配

1 个答案: