【正则表达式】使用正则来取html中的正文的bug【原创】

发布时间：2020-12-14 00:46:19 所属栏目：百科来源：网络整理

导读：今天碰到了一个问题，在写PHP，使用正则表达式来获取html中的body内容的时候，遇到了一个bug，不多说，先上代码，先上要取的html文件： 8/index.html: !DOCTYPE html html head meta charset = "UTF-8" title 你好你好 /title link rel = "stylesheet" href =

今天碰到了一个问题，在写PHP，使用正则表达式来获取html中的body内容的时候，遇到了一个bug，不多说，先上代码，先上要取的html文件：

8/index.html:

   
   
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
   
   
<!DOCTYPE html><html><head> <meta charset="UTF-8"> <title>你好你好</title> <link rel="stylesheet" href="css/normalize.css"> <link rel="stylesheet" href="css/style.css" media="screen" type="text/css" /></head><body> <div style="text-align:center;clear:both;"> <script src="/follow.js" type="text/javascript"></script> </div> <div class='heart3d'> <div class='rib1'></div> <div class='rib2'></div> <div class='rib3'></div> <div class='rib4'></div> </div></body></html>

没什么特别的html文件。

接着是php文件：

 
    
     
    
     
    
     
    
    
   
   <?php/** * 在html文件中找出正文 * Created by PhpStorm. * User: Administrator * Date: 2016/11/15 * Time: 21:43 */$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/** * 在html文件中找出正文 * @param $filename string 路径url * @return array|bool */function get_body_from_html($filename){ if (!file_exists($filename)) { return false; } $file = file_get_contents($filename); $res = array(); preg_match('/<body>(.*)</body>/', $file, $res); return $res;}

结果一运行发现是空的：


   
   array(0) { }

为了测试，改了一下方法：

 
    
    
   
   function get_body_from_html($filename){ if (!file_exists($filename)) { return false; }// $file = file_get_contents($filename); $file = '<html><head><title>你好</title>></head><body><div>我不好我不好</div></body></html>'; $res = array(); preg_match('/<body>(.*)</body>/', $res); return $res;}

运行发现没问题：


   
   array(2) { [0]=> string(42) "<body><div>我不好我不好</div></body>" [1]=> string(29) "<div>我不好我不好</div>"}

仔细检查代码，发现没啥问题，遂只好去 segmentfault提问，很快就有了答案：

是因为正则的问题， .只能匹配除了换行符的所有字符，所以匹配不到html中的，一般要匹配所有字符的话，两种方法，一种是：([sS]*?)，s匹配所有的空白，包括空格、换行、tab缩进等所有的空白，而S正好相反，这样sS就匹配所有的字符。[]表示在它里面包含的单个字符不限顺序的出现。类似的还有[wW]等，另外一种是给正则表达式添加模式修饰符/s。

所以修改后的代码为：


   
   <?php/** * 在html文件中找出正文 * Created by PhpStorm. * User: Administrator * Date: 2016/11/15 * Time: 21:43 */$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/** * 在html文件中找出正文 * @param $filename string 路径url * @return array|bool */function get_body_from_html($filename){ if (!file_exists($filename)) { return false; } $file = file_get_contents($filename); $res = array(); preg_match('/<body>([sS]*?)</body>/', $res); return $res[0];}

或者是：

    
    
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
      
     
     
     
      
     
      
     
     
     
      
     
     
    
    
<?php/** * 在html文件中找出正文 * Created by PhpStorm. * User: Administrator * Date: 2016/11/15 * Time: 21:43 */$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/** * 在html文件中找出正文 * @param $filename string 路径url * @return array|bool */function get_body_from_html($filename){ if (!file_exists($filename)) { return false; } $file = file_get_contents($filename); $res = array(); preg_match('/<body>(.*)</body>/s', $res); //这一种方法也可以 return $res[0];}

运行之后就没问题了：


   
   string(280) "<body> <div style="text-align:center;clear:both;"> <script src="/follow.js" type="text/javascript"></script> </div> <div class='heart3d'> <div class='rib1'></div> <div class='rib2'></div> <div class='rib3'></div> <div class='rib4'></div> </div></body>"

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!