如何从 PHP 字符串中提取标题标签？

Question

从包含大量 HTML 的字符串中，如何将

etc 标记中的所有文本提取到新变量中？

我想捕获这些元素中的所有文本并将它们作为逗号分隔值存储在新变量中。

是否可以使用preg_match_all()？

Answer 1

首先，您需要清理 HTML（示例中的 $html_str）：

$tidy_config = array(
    "indent"               => true,
    "output-xml"           => true,
    "output-xhtml"         => false,
    "drop-empty-paras"     => false,
    "hide-comments"        => true,
    "numeric-entities"     => true,
    "doctype"              => "omit",
    "char-encoding"        => "utf8",
    "repeated-attributes"  => "keep-last"
);

$xml_str = tidy_repair_string($html_str, $tidy_config);

然后您可以将 XML（$xml_str）加载到 DOMDocument 中：

$doc = DOMDocument::loadXML($xml_str);

最后您可以使用 Horia Dragomir 的方法：

$list = $doc->getElementsByTagName("h1");
for ($i = 0; $i < $list->length; $i++) {
    print($list->item($i)->nodeValue . "<br/>\n");
}

或者您也可以使用 XPath 来实现更复杂的效果对 DOMDocument 的查询（请参阅 http://www.php.net/manual/en /class.domxpath.php)

$xpath = new DOMXPath($doc);
$list = $xpath->evaluate("//h1");

Answer 2

您可能更适合使用 HTML 解析器。但对于非常简单的场景，可能会这样做：

if (preg_match_all('/<h\d>([^<]*)<\/h\d>/iU', $str, $matches)) {
    // $matches contains all instances of h1-h6
}

Answer 3

我知道这是一篇非常旧的帖子，但是我想提一下我能够集体获取标题标签的最佳方式。

<h1>title</h1> and <h2>title 2</h2>

此方法（作为正则表达式工作，但 PHP 的行为略有不同。）

/<\s*h[1-2](?:.*)>(.*)</\s*h/i

在 preg_match 中使用此方法

|<\s*h[1-2](?:.*)>(.*)</\s*h|Ui

$group[1] 将包含标题标记之间的内容。
$group[0] 就是一切

test

这将考虑空格，如果有人添加“class/id”，则

<h1 class="classname">test</h1>

class/id (group ) 被忽略。

注意：当我分析 HTML 标签时，我总是删除所有空白、换行符、制表符等，并将其替换为 1 个空格。这可以最大限度地减少多行、点...以及大量的空白，在某些情况下可能会扰乱正则表达式格式。

• 当然，我只抓取 1-2 个标题标签，将其更改为 0-9 以抓取全部。
• 如果其他人有要添加的模组或修复我的代码，请回复，我真的很想知道。
• 相反，正则表达式对 HTML 来说很糟糕，这是一个非常开放的论点。因为如果你设计你的 php 函数和正则表达式来完美地去除垃圾并为正则表达式特定表达式准备 html，你将完全能够抓住你正在寻找的东西。您可以制作足够的正则表达式函数来代替业余的 html 工作。

这是测试页面的链接正则表达式测试

Answer 4

如果您确实想使用正则表达式，我认为：

preg_match_all('/<h[0-6]>([^</h[0-6]>*)</h/i', $string, $matches);

只要您的标头标签不嵌套，就应该有效。正如其他人所说，如果您无法控制 HTML，那么正则表达式并不是实现此目的的好方法。

Answer 5

建议不要使用正则表达式来完成这项工作，而使用 SimpleHTMLDOM 解析器

Answer 6

另请考虑本机 DOMDocument php班级。

您可以使用 $domdoc->getElementsByTagName('h1') 获取标题。

Answer 7

我只想分享我的解决方案：

function get_all_headings( $content ) {
    preg_match_all( '/\<(h[1-6])\>(.*)<\/h[1-6]>/i', $content, $matches );

    $r = array();
    if( !empty( $matches[1] ) && !empty( $matches[2] ) ){
        $tags = $matches[1];
        $titles = $matches[2];
        foreach ($tags as $i => $tag) {
            $r[] = array( 'tag' => $tag, 'title' => $titles[ $i ] );
        }
    }

    return $r;
}

如果找不到标题或类似的内容，此函数将返回一个空数组：

array (
    array (
        'tag' => 'h1',
        'title' => 'This is a title',
    ),
    array (
        'tag' => 'h2',
        'title' => 'This is the second title',
    ),
)

Answer 8

这是一个老问题，因为没有新的答案。我用 php 内置的 dom 解析器写了这个。

$dom -> loadHTML("your html string here..");
$h2s = $dom -> getElementsByTagName('h2');

foreach ( $h2s as $h2 )
{
  echo $h2 -> nodeValue;
}