从 html 文档中的合格 span 标签获取类值和文本
Posted
技术标签:
【中文标题】从 html 文档中的合格 span 标签获取类值和文本【英文标题】:Get class value and text from qualifying span tags in html document 【发布时间】:2021-10-14 16:47:44 【问题描述】:请帮助我了解 preg_match_all 的以下模式
如何更改我的模式以获得所需的输出?
在字符串中搜索类名如“email_
”的标签(email_
OR email_p_12
OR email_22
OR email_xx
)
获取标签<span class=" xx email_xx xx "> THE EMAIL ADDRESS </span>
之间的文本
获取以“email_”开头的类名
这是我的模式:$pattern = '~<span class=\"((.*?)*)*(email_(.*?))?(.*?)\">(.*?)</span>~';
我需要一个这样的数组:
Array
(
[0] => Array
(
[mail] => labore@et.de
[class] => email_p_14
)
[1] => Array
(
[mail] => esse@cillum.de
[class] => email_p_22
)
[2] => Array
(
[mail] => anim@id.de
[class] => email_
)
[3] => Array
(
[mail] => laboris@nisi.de
[class] => email_
)
)
文件:
<?php
$string = '
<p>
Lorem ipsum dolor sit amet,
consectetur adipisicing elit,
sed do eiusmod tempor incididunt ut
<span class=" red email_p_14">labore@et.de</span>
dolore magna aliqua. Ut enim ad minim veniam,
quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea consequat.
Duis aute irure in reprehenderit in voluptate velit
<span class="email_p_22">esse@cillum.de</span>
dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident,
sunt in culpa qui officia deserunt mollit
<span class="blue email_ green">anim@id.de</span>
laborum. Donec elementum ligula.
Quis nostrud exercitation ullamco
<span class="blue email_ green black">laboris@nisi.de</span>
aliquip ex ea consequat.
</p>';
/* Looking for these:
<span class=" red email_p_14">labore@et.de</span>
<span class="email_p_22">esse@cillum.de</span>
<span class="blue email_ green">anim@id.de</span>
<span class="blue email_ green black">laboris@nisi.de</span>
*/
$pattern = '~<span class=\"((.*?)*)*(email_(.*?))?(.*?)\">(.*?)</span>~';
preg_match_all($pattern, $string, $m);
$clean_array = array_filter(array_map('array_filter', $m));
ksort($clean_array);
$output = Array();
foreach($clean_array as $row)
foreach($row as $key => $val)
$output[$key][]=$val;
print("<pre>".print_r($output,true)."</pre>");
这是我得到的:
Array
(
[0] => Array
(
[0] => labore@et.de
[1] => red email_p_14
[2] => labore@et.de
)
[1] => Array
(
[0] => esse@cillum.de
[1] => email_
[2] => p_22
[3] => esse@cillum.de
)
[2] => Array
(
[0] => anim@id.de
[1] => blue email_ green
[2] => anim@id.de
)
[3] => Array
(
[0] => laboris@nisi.de
[1] => blue email_ green black
[2] => laboris@nisi.de
)
)
我需要一个这样的数组:
Array
(
[0] => Array
(
[mail] => labore@et.de
[class] => email_p_14
)
[1] => Array
(
[mail] => esse@cillum.de
[class] => email_p_22
)
[2] => Array
(
[mail] => anim@id.de
[class] => email_
)
[3] => Array
(
[mail] => laboris@nisi.de
[class] => email_
)
)
*/
【问题讨论】:
我们不使用正则表达式解析 html。 你知道你有投票的特权,对吧?如果您发现任何对您有帮助的正确答案,您可以通过为每个答案点赞来感谢他们。这也向未来的研究人员发出信号,表明您推荐答案中的建议。我不需要更多的积分,thefourthbird 也不需要,但你应该了解你拥有的工具。 【参考方案1】:对于类值,您使用此模式((.*?)*)*(email_(.*?))?(.*?)
,它使用重复捕获组的组合,其中所有实际上都是可选的。
对于您使用(.*?)
的电子邮件地址,它匹配任何非贪婪字符且不匹配电子邮件之类的模式。
您可以使用命名捕获组来获取密钥mail
和class
:
<span[^<>]*\bclass="[^"]*(?<class>email_[^\s"]*)[^"]*">\h*(?<mail>[^\s@]+@[^\s@]+)\h*<\/span>
Regex demo | PHP demo
在结果中,去掉数字键:
$re = '`<span[^<>]*\bclass="[^"]*(?<class>email_[^\s"]*)[^"]*">\h*(?<mail>[^\s@]+@[^\s@]+)\h*<\/span>`';
$str = '<span class=" xx email_p_14 xx "> labore@et.de </span>';
preg_match_all($re, $str, $matches, PREG_SET_ORDER, 0);
print_r(array_filter($matches[0], function ($k) return !is_numeric($k); , ARRAY_FILTER_USE_KEY));
输出
Array
(
[class] => email_p_14
[mail] => labore@et.de
)
您还可以查看DOMDocument,找到类名以 email_ 开头的跨度,然后将该跨度的值与电子邮件地址(如模式)匹配。
然后您可以使用键和值构建您的数组。
例如
$str = '<span class=" xx email_p_14 xx "> labore@et.de </span>';
$dom = new DomDocument();
$dom->loadHTML($str, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$doc = new DOMXPath($dom);
$items = $doc->query("//span[contains(@class, 'email_')]");
foreach ($items as $item)
$class = array_filter(explode(' ', $item->getAttribute('class')), function($x)
return substr( $x, 0, 6 ) === "email_";
);
print_r($class);
echo $item->nodeValue;
输出
Array
(
[2] => email_p_14
)
labore@et.de
PHP demo
【讨论】:
【参考方案2】:使用 DOMDocument 和 XPath 解析 html。一旦您定位了适当的节点,就可以挖掘并提取数据,然后将新的子数组推送到结果中。
代码:(Demo)
$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTML($string);
$xpath = new DOMXPath($dom);
$result = [];
foreach ($xpath->query("//span[starts-with(@class, 'email_') or contains(@class, ' email_')]") as $span)
$result[] = [
'mail' => $span->nodeValue,
'class' => preg_replace(
'~.*\b(email_\S*).*~',
'$1',
$span->getAttribute('class')
)
];
var_export($result);
输出:
array (
0 =>
array (
'mail' => 'labore@et.de',
'class' => 'email_p_14',
),
1 =>
array (
'mail' => 'esse@cillum.de',
'class' => 'email_p_22',
),
2 =>
array (
'mail' => 'anim@id.de',
'class' => 'email_',
),
3 =>
array (
'mail' => 'laboris@nisi.de',
'class' => 'email_',
),
)
【讨论】:
非常感谢!这是按要求工作的。我认为这个答案最好地涵盖了这个问题。也非常紧凑、清晰、优雅。 不错的解决方案,值得更多称赞。 ++以上是关于从 html 文档中的合格 span 标签获取类值和文本的主要内容,如果未能解决你的问题,请参考以下文章
Python BeautifulSoup从span标签获取数据