PHP正则表达式匹配嵌套HTML标签的方法和技巧

正则表达式是一个非常有用的编程技能。一般来说，简单的抓取一个HTML页面的某一条信息，比如<title>标题</title>，是很容易实现的。但是，我们往往要抓取某一个列表页面里的多个重复的<div></div>块里的特定内容，并且<div></div>块还有嵌套的使用，我们抓取的则是每个重复<div></div>块里的多个信息。同时，网页源文件不同于一般的字符串，其还存在大量的回车、换行和制表符，这些都造成了匹配失败。而初学者往往无法判断到底是哪个环节出现了问题，并且看到高度技巧化的正则表达式会感到非常沮丧，从而导致放弃问题的解决。

经过笔者多日的研究，终于摸索出以下方法和技巧，欢迎大家交流指正。

请看如下注意点和步骤：

1.注意/一定要被转义成\/，否则会报错

preg_match_all() [function.preg-match-all]: Unknown modifier

2.正则表达式用单引号’和/作为开始和结束的标界，比如’/reg partten/’，采用这样的写法，正则表达式里的双引号”不必转义

比如，

$partten=’/<div class=”goods_item”><a href=”([^<>]+)” target=”_blank”><img data-ks-lazyload=”([^<>]+)” alt=”([^<>]+)” width=”” height=””\/>/’;

3.需要先去除所有的换行符、制表符、回车等等，对于便于阅读的html源文件由于上述符号的存在会造成无法匹配。

$str=preg_replace(“/[\t\n\r]+/”,””,$str);

4.我们感兴趣的匹配信息，通常是html元素中的属性的值，因此要去除<>，否则只会匹配最后一条之前的全部信息。

比如,对于$string=”<div><a href=“1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>”,

$partten=’/<div><a href=“(.+)”/’;的匹配结果是：1.jpg”></a></div><div><a href=“2.jpg”></a></div><div><a href=“3.jpg”></a></div>

这是因为，上述给出的正则表达式确实没有限定匹配的范围只是第一个超链接<a href=“1.jpg”></a>。

因此，要想匹配上述三个超链接的 href属性，需要将上述匹配限定在<a href=“1.jpg”>里面，方法也很简单，将(.+)换成([^<>]+)，即可。也就是说，这个匹配不包含下一个出现<>的地方，从而将匹配限定在同一个html标签内

做到以上几点，就可以完全无视html标签嵌套不嵌套的问题，从而抓取到一个页面所有的div重复块中我们感兴趣的内容，下附一例。

$html = $this->_query($url);
$html=preg_replace("/[\t\n\r]+/","",$html);
preg_match_all('/<h3>([^<>]+)<\/h3>/is', $html, $match);
var_dump($match);