草庐IT

php - 使用正则表达式匹配具有特定ID的div block

coder 2023-08-12 原文

我正在尝试匹配一个具有特定ID的DIV块。这是我的regex代码：

<div\s+[^>]*\s*id\s*=\s*["|']content["|']\s*>[^/div]+

我想让regex匹配整个div块。所以我把[^/d i v]+放在regex中，我假设它将匹配剩余的字符，直到它到达的结尾，但直到结尾它才匹配，因为[^]表达式认为我不想匹配任何。我想把整个事情看成一个整体。放一个[^（）]也无济于事。
所以请告诉我该如何编码这个问题
<div id="content">
    <noscript></noscript>
    <a href="blabla.com">
    <h1>
       <a href="blablac.com">Blablabla</a>
    </h1>
</div>

最佳答案

免责声明：首先，我同意，一般来说，regex不是解析HTML的最佳工具。然而，在右手边（有一些注意事项），Philip Hazel强大的（而且最确定的是非AA>PCRE库）PCRE库（由php的preg_*()函数家族使用）确实允许解决非琐碎的数据抓取问题，如这一个（有一些限制和注意事项-见下文）。上面所述的问题对于单独使用regex来解决特别复杂，下面介绍的regex解决方案并不适用于所有人，而且不应该由regex新手尝试。要正确理解下面的答案，需要相当深入地理解几个高级regex构造和技术。
有人会不会想到孩子们！是的，我读过博宾斯的传奇式回答，我知道这是一个棘手的问题（至少可以说）。但是，如果您想立即单击向下投票箭头，因为我同时使用了单词：regex和：html（并且在一个不重要的问题上也同样如此），我会谦虚地要求您不要读太长的时间来阅读整个文章，并实际为您尝试这个解决方案。我自己。
有鉴于此，如果您希望了解如何精心设计高级regex来解决此问题（对于除少数（不太可能）特殊情况以外的所有情况-请参阅下面的示例），请继续阅读……
高级递归regex解决方案：正如WesHardaker正确指出的那样，'/(?:actual|brave|stupid)ly/'s可以（并且经常）嵌套。但是，当他说“你不能构建一个在正确之前匹配的对象”时，他不是100%正确的。事实是，使用PHP，您可以！（有一些限制-见下文）。与Perl和.NET一样，PHP中的pcre regex引擎提供递归表达式（即DIV、(?R)、(?1)等），允许将嵌套结构匹配到任意深度（仅受内存限制）。例如，可以很容易地将平衡嵌套圆括号与此表达式匹配：(?2)。如果您有任何疑问，请运行此简单测试：

$text = 'zero(one(two)one(two(three)two)one)zero';
if (preg_match('/\((?:[^()]++|(?R))*+\)/', $text, $matches)) {
    print_r($matches);
}

因此，如果我们都同意php regex确实可以匹配嵌套结构，那么让我们继续讨论当前的问题。由于最外层的'/\((?:[^()]++|(?R))*+\)/'必须具有DIV属性，但任何嵌套的id="content"s可能会或可能不会，所以这个特定的问题就复杂了。因此，我们不能使用递归匹配整个表达式构造，因为匹配外部DIV的子表达式与匹配内部DIV所需的子表达式不同。在这种情况下，我们需要一个捕获组（在本例中为组2），它将用作“递归子例程”。“，它与内部嵌套的DIV匹配。因此这里有一个经过测试的PHP代码片段，它显示了一个高级代码，不适合胆小的人，但完全被注释掉，这样您就可以真正理解它了，regex，它正确匹配（在大多数情况下-见下文），a(?R)havingDIV，它可能本身包含嵌套的DIVs:
$re = '% # Match a DIV element having id="content".
    <div\b             # Start of outer DIV start tag.
    [^>]*?             # Lazily match up to id attrib.
    \bid\s*+=\s*+      # id attribute name and =
    ([\'"]?+)          # $1: Optional quote delimiter.
    \bcontent\b        # specific ID to be matched.
    (?(1)\1)           # If open quote, match same closing quote
    [^>]*+>            # remaining outer DIV start tag.
    (                  # $2: DIV contents. (may be called recursively!)
      (?:              # Non-capture group for DIV contents alternatives.
      # DIV contents option 1: All non-DIV, non-comment stuff...
        [^<]++         # One or more non-tag, non-comment characters.
      # DIV contents option 2: Start of a non-DIV tag...
      | <            # Match a "<", but only if it
        (?!          # is not the beginning of either
          /?div\b    # a DIV start or end tag,
        | !--        # or an HTML comment.
        )            # Ok, that < was not a DIV or comment.
      # DIV contents Option 3: an HTML comment.
      | <!--.*?-->     # A non-SGML compliant HTML comment.
      # DIV contents Option 4: a nested DIV element!
      | <div\b[^>]*+>  # Inner DIV element start tag.
        (?2)           # Recurse group 2 as a nested subroutine.
        </div\s*>      # Inner DIV element end tag.
      )*+              # Zero or more of these contents alternatives.
    )                  # End 2$: DIV contents.
    </div\s*>          # Outer DIV end tag.
    %isx';
if (preg_match($re, $text, $matches)) {
    printf("Match found:\n%s\n", $matches[0]);
}

正如我所说，这个regex非常复杂，但请放心，它确实有效！除了下面提到的一些不太可能发生的情况外（如果你能找到的话，我会非常感激的）。试试看！
我应该用这个吗？在必须以100%的可靠性和准确性分析成百上千个文档的生产环境中使用此regex解决方案是否合适？当然不是。对于某些HTML文件的有限一次性运行，它是否有用？（例如，可能是问这个问题的人？）可能。这取决于一个人对高级正则表达式的舒适程度。如果上面的regex看起来像是用外语写的（它是），并且/或者吓坏了狄更斯，答案可能是否定的。
有效吗？对。例如，给定以下测试数据，上面的regex正确地选择具有DIV的id="content"（或针对该问题的DIV或DIV）：
<!DOCTYPE HTML SYSTEM>
<html>
<head><title>Test Page</title></head>
<body>
<div id="non-content-div">
    <h1>PCRE does recursion!</h1>
    <div id='content'>
        <h2>First level matched</h2>
        <!-- this comment </div> is tricky -->
        <div id="one-deep">
            <h3>Second level matched</h3>
            <div id=two-deep>
                <h4>Third level matched</h4>
                <div id=three-deep>
                    <h4>Fourth level matched</h4>
                </div>
                <p>stuff</p>
            </div>
            <!-- this comment <div> is tricky -->
            <p>stuff</p>
        </div>
        <p>stuff</p>
    </div>
    <p>stuff</p>
</div>
<p>stuff</p>
</body></html>

注意：那么，在某些情况下，这个解决方案不起作用？好吧，id="content"start标记的任何属性中都可能没有任何尖括号（可以去掉这个限制，但这会给代码增加更多的内容）。下面的id='content'跨距包含我们要查找的特定的id=content开始标记（极不可能），将导致regex失败：
<style type="text/css">
p:before {
    content: 'Unlikely CSS string with <div id=content> in it.';
}
</style>
<p title="Unlikely attribute with a <div id=content> in it">stuff</p>
<script type="text/javascript">
    alert("evil script with <div id=content> in it">");
</script>
<!-- Comment with <div id="content"> in it -->
<![CDATA[ a CDATA section with <div id="content"> in it ]]>

我很想了解其他人。
如我之前所说，阅读MRE3，真正了解这里的情况需要对一些先进技术有相当深入的了解。这些技术既不明显也不直观。我只知道一种方法来获得这些技能，那就是坐下来学习：Jeffrey Friedl（MRE3）的。（你会很高兴你这么做的！）
我可以说这是我一生中读过的最有用的书！
干杯！
编辑2013-04-30 Fixed Regex。它以前不允许非-DIV标记，该标记紧跟在CDATA开始标记之后。

关于php - 使用正则表达式匹配具有特定ID的div block ，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5355452/

blockphpcodegtlthtmlregex

有关php - 使用正则表达式匹配具有特定ID的div block的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  3. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  4. ruby-on-rails - 使用 Ruby on Rails 进行自动化测试 - 最佳实践 - 2

    很好奇，就使用ruby​​onrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提

  5. ruby - 在 Ruby 中使用匿名模块 - 2

    假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于

  6. ruby - 使用 ruby​​ 和 savon 的 SOAP 服务 - 2

    我正在尝试使用ruby​​和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我

  7. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  8. ruby-on-rails - 'compass watch' 是如何工作的/它是如何与 rails 一起使用的 - 2

    我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t

  9. ruby - 具有身份验证的私有(private) Ruby Gem 服务器 - 2

    我想安装一个带有一些身份验证的私有(private)Rubygem服务器。我希望能够使用公共(public)Ubuntu服务器托管内部gem。我读到了http://docs.rubygems.org/read/chapter/18.但是那个没有身份验证-如我所见。然后我读到了https://github.com/cwninja/geminabox.但是当我使用基本身份验证(他们在他们的Wiki中有)时，它会提示从我的服务器获取源。所以。如何制作带有身份验证的私有(private)Rubygem服务器？这是不可能的吗？谢谢。编辑:Geminabox问题。我尝试“捆绑”以安装新的gem..

  10. ruby - 使用 ruby​​ 将 HTML 转换为纯文本并维护结构/格式 - 2

    我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h

随机推荐