正则表达式：匹配HTML文件中的所有alt属性？

Question

我一直在查看问题并更好地了解我的问题，但仍未找到答案。

我在PHP中遇到正则表达式问题。我正在尝试获取HTML文件的“alt”属性中的所有文本。我考虑了所有可能的标签名称（img，输入和区域）以及所有类型的可能性，例如字符之间的空格和换行符（如<img alt = "Hello">）。还必须注意匹配字符串可以用单引号或双引号括起来，并在其中包含其他（不同的）引号，例如：<img alt="Alan's picture">或<img alt='Example for the word "hello" in the text'>。

这对我来说变得很难（我是正则表达式的初学者）所以我只会告诉你我得到了什么。请注意，我正在尝试在字符类中使用backrefernce，我发现这是一种错误的做法（或者我认为）。

'/<\s*(?:img|input|area)\s[^>]*alt\s*=\s*("|\')([^\1>]*)\1[^>]*>/siU'

我也在StackOverflow中看到，有些人推荐像这样的东西使用HTML解析器，但我担心这种做法可能耗费多少资源。你认为这是一个更好的主意吗？谢谢！

Answer 1

使用解析器绝对是可行的方法。

正则表达式非常不适合此类任务，even Jon Skeet cannot parse HTML using regular expressions

Answer 2

绝对应该使用解析器。这有几个原因：

• HTML解析器库可以解释正则表达式遗漏的HTML（或其他格式错误的）HTML;例如，某些网页无法转义alt属性中嵌入的引号，例如alt='why can't I do this'
• 解析器将能够自动处理转义字符;例如，alt="why the long space"
• 此外，HTML解析器可能会提供速度和API优势

您可以查看StackOverflow问题Robust, Mature HTML Parser for PHP，了解有关哪些解析器值得使用的建议。