Question

如何从产品说明中提取规格未知的规格（有时是无序列表，有时是br-element等），但总是在前面出现。

视觉效果就像：

一些描述文字，某些主题是一个句子，有时甚至更多。

==有时这是一个空行，有时不是==


说明item1

说明item2

有没有一种方法可以在PHP中“通过视觉提取”呢？

示例：

<h2> desc <br>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>

Answer 1

您可以尝试过滤您的条目。我设法将您的示例放入数组。这样的话，结果就会有些争执：

<?php

$html =<<<HTML
<h2> desc </h2>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>
HTML;

$no_html       = strip_tags($html);
$no_entities   = preg_replace('/&#?[a-z0-9]+;/i', '', $no_html);
$parts         = preg_split('/\R/', $no_entities);
$trimmed_parts = array_map('trim', $parts);
var_export($trimmed_parts);

输出：

array (
    0 => 'desc',
    1 => '',
    2 => 'T Shirt',
    3 => 'Breathable mesh fabric',
    4 => 'Reflective detail',
    5 => 'Flat lock seams',
)

Answer 2

这可以通过file_get_contents（）和一些正则表达式处理来完成。请确保已在PHP.ini（开放URL包装器）中启用了正确的设置

参考： http://php.net/manual/en/filesystem.configuration.php

示例代码：

<?php

$page = file_get_contents('Provide your url here');

preg_match("/regex pattern here/", $page, $agent_name);

// display agent name matches
print_r($agent_name)

个人建议-使用python将简化此过程。许多软件包已经可以用于此目的。例如bs4

从文本中提取规格列表（未知格式）

2 个答案: