用于在 之间进行选择的正则表达式同时忽略任何 <> 内的所有文本

Question

我有以下两种类型的文本：

类型一：

<div class="meta-name">Corporate Officers</div>
<div class="meta-data"><table border="0" cellspacing="0" cellpadding="0" width="171">
<col width="171"></col>
<tbody>
<tr height="19">
<td width="171" height="19">Officer One</td>
</tr>
</tbody>
</table> 
</div>
</div>

类型二：

<div class="meta-name">Corporate Officers</div>
<div class="meta-data">Officer Two</div>
</div>
<pre>

我将 php 与 preg_match_all 一起使用。我需要一个表达式来返回上面的一号警官和二号警官。我正在使用公司官员< /div> 作为第一个锚点并且< /div> 作为第二个，但我在所有桌子的乱码中找不到 Keith Dennis。

如何返回anchor1和anchor2之间的文本，同时忽略之间任何括号 <> 内的所有文本？

我看到了这些线程，但无法让他们的解决方案为我工作： 正则表达式：提取所有内容，直到 X，其中 X不在两个大括号之间

一切，但 [ 和之间的一切]

Answer 1

对于 SimpleXML：

$xml = new SimpleXMLElement('<div>
    <div class="meta-name">
        Corporate Officers
    </div>
    <div class="meta-data">
        <table border="0" cellspacing="0" cellpadding="0" width="171">
            <col width="171" />
            <tbody>
                <tr height="19">
                    <td width="171" height="19">
                        Officer One
                    </td>
                </tr>
            </tbody>
        </table>
    </div>
</div>
');

$results = array();
foreach($xml->children() as $node) {
    if($node->getName() == 'div') {
        $attributes = $node->attributes();
        $classes = explode(' ', $attributes['class']);
        if(in_array('meta-name', $classes) || in_array('meta-data', $classes)) {
            $results[] = getText($node);
        }
    }
}

function getText($node) {
    $text = trim(sprintf('%s', $node));
    if(strlen($text) !== 0) {
        return $text;
    }

    foreach($node->children() as $child) {
        if($text = getText($child)) {
            return $text;
        }
    }

    return null;
}

var_dump($results);

作为一般经验法则，永远不要使用 Regex 来解析HTML。

Answer 2

大约 80% 的正则表达式问题与 xml/html/xhtml 有关。大约 75% 的答案是不使用正则表达式。为什么？因为虽然它似乎适用于您的示例，但它很脆弱，并且可能会因输入的轻微变化而崩溃。

请看看这个 漂亮的工具。如果您无法使用它，请回来，我们将提供帮助。

Answer 3

尝试这个正则表达式：

'~<div\b[^>]*>Corporate\s+Officers</div>\s*<div\b[^>]*>(?:<(?!/?div\b)[^>]*>|\s+)*\K[^<]+~'

这是基于以下假设：HTML 中的开始

标记和您要查找的名称之间没有其他文本内容。第一部分是不言自明的：

<div\b[^>]*>Corporate\s+Officers</div>\s*<div\b[^>]*>

我假设“Corporate Leaders”文本足以找到起点，但如果需要，您可以重新插入 class 属性。之后，

(?:<(?!/?div\b)[^>]*>|\s+)*

...使用

或

标签之外的任意数量的标签以及任何中间的空格。然后\K出现并说忘记这一切，真正的比赛从这里开始。 [^<]+ 消耗直到下一个标签开头的所有内容，这就是您在匹配结果中看到的所有内容。就好像 \K 之前的所有内容实际上都是积极的后向查找，但没有所有限制。

这是一个演示。