testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
...
大家注意到没有 class="1",class="2",class="3",...是有规律的,但是前面的标签没有规律,有时是span,有时是div,我想要的是用php如何写正则表达式获取class="1",class="2",class="3",...的内容,正则表达式这方面学的不好,试了半天都写不出来,求高手解答!
回复讨论(解决方案)
html或xml的东西有专门的dom api,特别是标签嵌套的html,尽量不要尝试用正则去获取,尤其是php的正则,这里涉及到正则的递归,即使php能有象其它语言提供的正则平衡组,也最好不要用。
<(span|div)\s+class=\"\d\">\s+
(.*?)<\/h3>\s+\s*(.*?)\s*<\/div>\s*<\/(span|div)>
谢谢两位的回答!
$s =<<< TXTtesttesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
TXT;
方案1
include 'phpquery.php';$doc = phpQuery::newDocument($s);echo $doc->find('.1')->html();echo pq('.2')->html();得 方案2testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
include 'html_document.php';$p = new html_document( $s, 0);foreach($p->find('.\d') as $v) { echo "$v->innerHTML\n";}得 testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
testtesttesttesttesttestt
testtesttesttesttesttesttesttesttesttesttesttest
感谢版主大大 ,手快早给结贴了