用于嵌套 Div 标签的 PHP RegEx

Question

我需要一个可以与 PHP 的 preg_match_all() 一起使用的正则表达式来匹配 div 标签内的内容。 div 看起来像这样:

<div id="t1">Content</div>

到目前为止，我已经想出了这个正则表达式，它匹配所有带有 id="t[number]"的 div

/<div id="t(\\d)">(.*?)<\\/div>/

问题是当内容包含更多 div 时，嵌套 div 如下所示:

<div id="t1">Content <div>more stuff</div></div>

关于如何让我的正则表达式与嵌套标签一起工作有什么想法吗？

谢谢

Answer 1

改用解析器:

require_once "simple_html_dom.php";
$text = 'foo <div id="t1">Content <div>more stuff</div></div> bar <div>even more</div> baz  <div id="t2">yes</div>';
$html = str_get_html($text);
foreach($html->find('div') as $e) {
    if(isset($e->attr['id']) && preg_match('/^t\d++/', $e->attr['id'])) {
        echo $e->outertext . "\n";
    }
}

输出:

<div id="t1">Content <div>more stuff</div></div>
<div id="t2">yes</div>

在此处下载解析器:http://simplehtmldom.sourceforge.net/

编辑:更多的是为了我自己的娱乐，我试着用正则表达式来做。这是我想出的:

$text = 'foo <div id="t1">Content <div>more stuff</div></div> bar <div>even more</div>
      baz <div id="t2">yes <div>aaa<div>bbb<div>ccc</div>bbb</div>aaa</div> </div>';
if(preg_match_all('#<div\s+id="t\d+">[^<>]*(<div[^>]*>(?:[^<>]*|(?1))*</div>)[^<>]*</div>#si', $text, $matches)) {
    print_r($matches[0]);
}

输出:

Array
(
    [0] => <div id="t1">Content <div>more stuff</div></div>
    [1] => <div id="t2">yes <div>aaa<div>bbb<div>ccc</div>bbb</div>aaa</div> </div>
)

还有一个小解释:

<div\s+id="t\d+">  # match an opening 'div' with an id that starts with 't' and some digits
[^<>]*             # match zero or more chars other than '<' and '>'
(                  # open group 1
  <div[^>]*>       #   match an opening 'div'
  (?:              #   open a non-matching group
    [^<>]*         #     match zero or more chars other than '<' and '>'
    |              #     OR
    (?1)           #     recursively match what is defined by group 1
  )*               #   close the non-matching group and repeat it zero or more times
  </div>           #   match a closing 'div'
)                  # close group 1
[^<>]*             # match zero or more chars other than '<' and '>'
</div>             # match a closing 'div'

现在您也许明白了为什么人们试图说服您不要为此使用正则表达式。如前所述，如果 html 的格式不正确，这将无济于事:正则表达式会使输出变得比 html 解析器更困惑，我向你保证。此外，正则表达式可能会让你的眼睛流血，而你的同事(或将维护你的软件的人)可能会在看到你所做的事情后来找你。 :)

你最好的办法是先清理你的输入(使用 TIDY 或类似的)，然后使用解析器来获取你想要的信息。