将HTML中的文本与PHP'；s正则表达式函数

可能的重复项：

我有大量文本的格式如下：

    <P><B>1- TITLE</B>
    <P>
    <DL><DD>&nbsp;&nbsp;&nbsp; Text text text text text
text text
    </DL><P>
    <P><B>2 - Title 2</B>
    <P>
    <DL><DD>&nbsp;&nbsp;&nbsp; Text text text text text
text text Text text text text text
text text Text text text text text
text text
    <br><I>Additional irrelevant information</I>
    </DL><P>

1-标题

文本文本文本文本文本
文本

 2-标题2

文本文本文本文本文本
文本文本文本文本文本文本文本文本
文本文本文本文本文本文本文本文本
文本

其他无关信息

我试图使用PHP的Regexp函数来检索标题文本值对，同时去掉一些文本块后面的额外字符以及不相关的信息。我希望：

抓住

和
之间的所有内容作为标题

抓取之间的所有文本

<DL><DD>&nbsp;&nbsp;&nbsp;



下一个HTML标记（正如对您的问题的评论所表明的，在堆栈溢出中经常会出现类似的问题，正确的答案通常是“不要试图用正则表达式解析HTML”。除此之外，我认为在答案中提供一个例子，说明如何采取建议的方法是有益的。对于您问题中的情况，可以：

<?php

$html = <<<EOF
    <P><B>1- TITLE</B>
    <P>
    <DL><DD>&nbsp;&nbsp;&nbsp; Text text text text text
text text
    </DL><P>
    <P><B>2 - Title 2</B>
    <P>
    <DL><DD>&nbsp;&nbsp;&nbsp; Text text text text text
text text Text text text text text
text text Text text text text text
text text
    <br><I>Additional irrelevant information</I>
    </DL><P>
EOF;

$d = new DomDocument;
$d->loadHtml($html);

$xp = new DomXpath($d);

$matches = $xp->query("//p/b", $d);
foreach ($matches as $dn) {
    echo "Title is: " . $dn->nodeValue . "\n";
    $dl = $dn->parentNode->nextSibling->nextSibling->firstChild;
    $dd = $dl->firstChild;
    echo "Content is: " . $dd->nodeValue . "\n";
}
?>



根据您需要的健壮程度，您可能希望检查
下一个sibling
和children是否是具有您期望的名称的标记，但这表明了想法。
*叹气*我不知道这些问题是否会停止。@Tomalak，您希望！只需找到一个类似的问题，然后投票关闭。最好在someo之前ne出现了，或者发布了一个链接XHTML正则表达式的答案，或者“blah regex blah 2 problems”—quote。可能是重复的，…，谢谢马克，我从来没有想过使用DOM模型来解析它（我是一名ASP程序员）。你为我节省了大量时间来处理正则表达式！