利用 PHP 正则表达式从 HTML 中提取关键数据
最新回答
屋顶上的小猫咪
2021-10-20 19:33:18
在 PHP 中，使用正则表达式从 HTML 中提取关键数据（如标题、链接、电子邮件地址和电话号码）是一种常见需求。以下是具体实现方法和注意事项：
1. 提取标题正则表达式：/<title>(.*?)</title>/代码示例：
$html = "<html><head><title>我的标题</title></head><body></body></html>";preg_match_all("/<title>(.*?)</title>/", $html, $matches);echo $matches[1][0]; // 输出：我的标题关键点：
- 使用非贪婪匹配 .*? 避免匹配到多余的闭合标签。
正则表达式：/<as+href="([^"]+)"[^>]*>(.*?)</a>/代码示例：
$html = '<a href="https://example.com">
示例链接</a>';preg_match_all("/<as+href="([^"]+)"[^>]*>(.*?)</a>/", $html, $matches);print_r($matches[1]); // 输出链接数组print_r($matches[2]); // 输出链接文本数组关键点：
- 匹配 href 属性值（[^"]+ 表示非引号字符）。
- 允许链接标签有其他属性（如 class、target），通过 [^>]* 跳过。
正则表达式：/[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}/代码示例：
$html = "联系我：user@example.com 或 support@domain.org";preg_match_all("/[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}/", $html, $matches);print_r($matches[0]); // 输出所有匹配的邮箱关键点：
- 匹配常见邮箱格式，但可能漏掉特殊字符（如 + 在部分邮箱中允许）。
正则表达式：/(?d{3})?[-s]?d{3}[-s]?d{4}/代码示例：
$html = "电话：(123) 456-7890 或 987-654-3210";preg_match_all("/(?d{3})?[-s]?d{3}[-s]?d{4}/", $html, $matches);print_r($matches[0]); // 输出所有匹配的电话号码关键点：
- 支持格式：(123) 456-7890、123-456-7890、123 456 7890。
正则表达式的局限性：
HTML 结构复杂时（如嵌套标签、属性含特殊字符），正则表达式可能失效。建议使用 DOM 解析器（如 DOMDocument）处理复杂 HTML。
性能优化：
对大文本多次使用 preg_match_all 可能影响性能，可考虑预编译正则（preg_quote）或限制匹配范围。
转义特殊字符：
在动态生成正则时，用 preg_quote 转义用户输入，避免正则注入。
https://example.com">
示例</a> <p>邮箱：test@example.com</p> <p>电话：123-456-7890</p></body></html>HTML;// 提取标题preg_match_all("/<title>(.*?)</title>/", $html, $titleMatches);echo "标题: " . $titleMatches[1][0] . "n";// 提取链接preg_match_all("/<as+href="([^"]+)"[^>]*>(.*?)</a>/", $html, $linkMatches);echo "链接: " . $linkMatches[1][0] . "n";// 提取邮箱preg_match_all("/[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}/", $html, $emailMatches);echo "邮箱: " . $emailMatches[0][0] . "n";// 提取电话preg_match_all("/(?d{3})?[-s]?d{3}[-s]?d{4}/", $html, $phoneMatches);echo "电话: " . $phoneMatches[0][0] . "n";替代方案：使用 DOM 解析器若 HTML 结构复杂，推荐以下方法：
$dom = new DOMDocument();@$dom->loadHTML($html); // 抑制加载错误// 提取标题$title = $dom->getElementsByTagName('title')->item(0)->nodeValue;// 提取链接$links = [];foreach ($dom->getElementsByTagName('a') as $link) { $links[] = $link->getAttribute('href');}通过正则表达式或 DOM 解析器，可以灵活应对不同场景的数据提取需求。正则适合简单模式，而 DOM 解析器更适合复杂 HTML 结构。
热门标签
