Question

我需要在以下HTML代码中提取单词FIESTA ERASMUS ans / event / 83318

    <div id="tab-soiree" class=""><div class="soireeagenda cat_1">  
            <a href="/event/83318/" class="lienFly"><img src="http://www.parisbouge.com/img/fly/resize/100/83318.jpg" alt="fiesta erasmus" class="fly"></a>
                <ul>
                    <li class="nom"><h2><a href="/event/83318/">FIESTA ERASMUS</a> </h2></li>
                    <li class="genre" style="margin-bottom:4px;">
                    <a href="/soirees-etudiantes/paris/1/" style="color:inherit;" title="soirée étudiante">soirée étudiante</a>             </li>
                    <li class="lieu"><a href="/club/paris/10/duplex">Duplex</a></li>                <li class="musique">house, electro, r&b chic, latino, disco</li>
                    <li class="pass-label">pass</li>                </ul>
                      <a href="/club/paris/10/duplex" title="duplex"><img src="/img/salles/resize/50/10.jpg" alt="duplex" class="flysalle"></a>
                 <hr class="clearleft">
        </div>

我测试了类似的东西

$PATTERN = "/\<div id="tab-soiree".*<a href="/event/(.*)/">(.*)</a>/"
preg_match($PATTERN, $html, $matches);

但它不起作用。

Answer 1

您不会使用正则表达式解析HTML。相反，使用PHP本身内置的DOM解析工具：http://php.net/manual/en/book.dom.php

假设您的HTML可以从名为$html的变量中访问：

$doc = new DOMDocument();
$doc->loadHTML( $html );

$item = $doc->getElementsByTagName("li")->item(0);
$link = $item->getElementsByTagName("a")->item(0);

echo $link->attributes->getNamedItem('href')->nodeValue;
echo $link->textContent;

Answer 2

我建议采用以下模式：

$PATTERN = '%<h2><a href="(.*?)">(.*?)</a>[\s]+</h2>%i';
preg_match($PATTERN, $html, $matches);

(.*?)部分是非贪婪模式，这意味着解析器不会一直到提供的字符串的末尾，但在这种情况下将在"之前停止。

您可能还想在REGEX之前预先处理html，即删除所有换行符以摆脱[\s]+部分。

您可以在线试用here。

PHP - 从网页HTML中提取数据

2 个答案: