php正則表達式問題

Question

我想從網站獲得<form>。但在這種情況下的表單部分之間，還有其他的html代碼。如何刪除它們？我的意思是如何使用PHP只是定期和部分從網站？

$str = file_get_contents('http://bingphp.codeplex.com'); 
preg_match_all('~<form.+</form>~iUs', $str, $match); 
var_dump($match); 

Answer 1

您不應該使用正則表達式來提取HTML內容。使用DOM parser。

E.g.

$doc = new DOMDocument(); 
$doc->loadHTMLFile("http://bingphp.codeplex.com"); 

$forms = $doc->getElementsByTagName('form'); 

更新：如果你想刪除的形式（不知道你的意思是）：

for($i = $forms.length;$i--;) { 
    $node = $forms->item($i); 
    $node->parentNode->removeChild($node); 
} 

更新2：

我只注意到他們有一個包含全身內容的格式。所以這樣或那樣，你會得到整個頁面。

Answer 2

我能想到的最好的方法是使用PHP的簡單HTML DOM庫來從HTML頁面使用DOM查詢獲取表單。

這比使用像simplexml或domdocument這樣的內置xml解析器更方便一些。

您可以在這裏找到the library。

Answer 3

正則表達式的問題在於貪婪。對於這種情況，建議使用.+?。

但是@Felix說了些什麼。雖然正則表達式對於HTML 提取可行，但您經常會查找特定的內容，因此應該對其進行解析。它也更簡單，如果你使用QueryPath：

$str = file_get_contents('http://bingphp.codeplex.com'); 
print qp($str)->find("form")->html(); 

Answer 4

通常情況下，你應該使用DOM來解析HTML，但在這種情況下，網站是很遠不是標準的HTML，與一些代碼正在地方通過修改JavaScript的。因此它不能被加載到DOM對象中。這可能是故意的，這是一種混淆代碼的方式。

無論如何，它不是你的RE（雖然使用非貪婪的匹配會有所幫助），但是網站本身的設計阻止了你解析出你想要的東西。