正則表達式：匹配HTML文件中的所有alt屬性？

Question

我一直在尋找通過的問題，並得到了我的問題的一個更好的主意，不過，並沒有找到答案。

我在PHP中的正則表達式的問題。我試圖獲取HTML文件的「alt」屬性中的所有文本。我正在考慮所有可能的標籤名稱（img，輸入和區域）以及各種可能性，如字符間的空格和換行符（如<img alt = "Hello">）。它也必須認識到，匹配字符串可以通過單次或雙引號括起來，並含有其他內（不同的）引號，例如：<img alt="Alan's picture">或<img alt='Example for the word "hello" in the text'>。

這是越來越難了我（我用正則表達式初學者），所以我就告訴你我得到了什麼。請注意，我正在嘗試在角色類中使用倒退，我發現這是一種錯誤的做法（或者我認爲）。

'/<\s*(?:img|input|area)\s[^>]*alt\s*=\s*("|\')([^\1>]*)\1[^>]*>/siU'

我也看到了在StackOverflow上，有人建議HTML解析器像這樣的東西，但我很擔心這種做法可能多少資源消耗。你認爲這是一個更好的主意嗎？謝謝！

Answer 1

絕對應該使用一個分析器。造成這種情況的原因如下：

• HTML解析器庫可以解釋正常表達式將會遺漏的斷開的（或其他格式錯誤的）HTML;例如，一些網頁將無法逃脫嵌在alt屬性引號，如alt='why can't I do this'
• 解析器將能夠自動處理轉義字符;例如，alt="why the long space"
• 此外，它可能是一個HTML解析器將提供速度和API的優勢

你或許可以檢查出的StackOverflow問題Robust, Mature HTML Parser for PHP有關哪些解析器將是值得使用的一些建議。

Answer 2

使用的解析器肯定是要走的路。

正則表達式是這類任務的高度不合適，even Jon Skeet cannot parse HTML using regular expressions