如何使用PHP和RegEx从HTML源代码中获取数据？

我有HTML源代码，我必须在HTML中获得一些信息文本。我不能使用DOM，因为文档格式不正确

也许，来源可能会改变以后，我不能意识到这种情况。因此，在大多数情况下，解决这一问题必须是明智的

我用curl获取源代码，我将用preg_match_all函数和正则表达式编辑它

资料来源：
…

Name

：

Alex

作业

：

医生

...
...

年龄

：

32

数据

...

正如我们所看到的，来源不是很好。事实上，太可怕了！但我无能为力。 源比这个长

我如何从源代码中获取数据？我可以删除所有HTML代码，但如何知道数据的顺序？我可以用preg_match_all和regex做什么？我还能做什么

我在等你的帮助。

这个链接很有趣，但没有提供信息，所以它的长短不一之处在于HTML标记不是一种常规语言，因此不能简单地使用正则表达式进行解析

作为递归解析算法的一部分，可以使用正则表达式解析单个“标记”（单个打开的标记；单个属性名称或值…），但不能使用神奇的正则表达式独自解析HTML

或者您可以使用解析器

---

由于标记无效，可能您可以使用或。

如果您可以使用DOM，那么这比正则表达式要好得多。看一看a-它设计用于管理格式错误的HTML。

$regex=您可以使用DOMDocument加载格式错误的HTML：

$regex = <<<EOF
<TR Class="Head2">\s+<TD width="15%" align="left">Age</B></TD>\s+<TD>:&nbsp;</TD>\s+<TD align="center"><font color="red">(\d+)</font></TD>\s+<TD width="15%"><font size="10">(\w+)</TD></font>\s+<TD>&nbsp;</B></TD>\s+<TD width="40%">&nbsp;</TD>\s+</TR>
EOF;

preg_match_all($regex, $text, $result);

var_dump($result)

$doc = new DOMDocument();
@$doc->loadHTML('<TR Class="Head2">
<TD width="15%" align="left">Age</B></TD>
<TD>:&nbsp;</TD>
<TD align="center"><font color="red">32</font></TD>
<TD width="15%"><font size="10">data</TD></font>
<TD>&nbsp;</B></TD>
<TD width="40%">&nbsp;</TD>
</TR>');


$tds = @$doc->getElementsByTagName('td');
foreach ($tds as $td) {
 echo $td->textContent, "\n";
}

$doc=newDOMDocument（）；
@$doc->loadHTML（$doc）
年龄
: 
32
数据
');
$tds=@$doc->getElementsByTagName（'td'）；
foreach（$tds作为$td）{
echo$td->textContent，“\n”；
}

为了简洁起见，我在上面的代码中隐藏了警告

输出：

Age
: 
32
data
  <!-- space -->
  <!-- space -->

年龄
: 
32
数据

使用正则表达式解析HTML可能是徒劳的，因为HTML不是一种常规语言。
您是否尝试过使用
DOM
？您可以使用
@
来抑制错误，即使格式不好，它仍然可以+1-当我记得TagSoup是用Java编写的（这个问题是用PHP编写的）时，我在我的答案中添加了PHP Tidy，但您的答案中首先包含了它。好吧，TagSoup和Tidy是默认安装在服务器上的吗？我没有这样的印象；事实上，TagSoup是一个Java工具（我的错！），虽然tidy显然是非格式良好的html文档，但tidy可以将其转换为格式良好的html，然后DOMDocument可以使用。正如你所说，我认为正则表达式在这方面没有用处。格式不好的html文档可以由Tidy和DOM处理，也可以仅由SimpleHTMLDom处理。