正则表达式错过了目标字符串的第一次出现

Question

我在以下 html 代码中使用正则表达式来获取 text1 和 text2。这是我正在使用的： /<div\s?class="right-col">[\s\n\S]*<a[\s\n]?[^>]*>@(.*)<\/a>/ 但显然我错过了 text1，只得到了 text2（这里是 link to my problem）。

<div class="right-col">
    <h1>
        <a href="url-link-here" title="title-here">title1</a>
    </h1>
    <p>some text here</p>
<div class="some-class">
    <div class="left">
        <span><a href="url-link-here" class="breaking" target="_blank">some text here </a></span>      
    </div>
    <div class="postmeta"><a href="url-link-here" >@text1</a> </div>
</div>
<div class="right-col">
    <h1>
        <a href="url-link-here" title="title-here">title2</a>
    </h1>
    <p>some text here</p>
<div class="some-class">
    <div class="left">
        <span><a href="url-link-here" class="breaking" target="_blank">some text here </a></span>      
    </div>
    <div class="postmeta"><a href="url-link-here" >@text2</a> </div>
</div>

你们能告诉我我的正则表达式哪里出了问题吗？有没有更好的方法来捕获 title1, title2 和 text1, text2？

Answer 1

在这里使用正则表达式并不是最好的方法。这是不好的做法。您应该使用 DOM/XML 解析器来执行此操作。

我喜欢用PHP的DOMDocument class. Using XPath，我们可以快速找到你想要的元素

$dom = new DOMDocument;
$dom->loadHTML($html);
$xPath = new DOMXPath($dom);

$aTags = $xPath->query('//div[@class="some-class"]//a[starts-with(text(), "@")]');

foreach($aTags as $a){
    echo $a->nodeValue;
}

演示：http://codepad.viper-7.com/QHOXzH

Answer 2

这是正则表达式的一个相当普遍的问题，因为它们是贪婪的。 [\s\S]*（不需要 \n）匹配第一个 '<' 和 'a'，因为它很贪心，所以它会匹配那些并继续。添加一个？让它不贪心并使用你的 link returns text1 和 text2.

简短的回答是将 [\s\n\S]* 替换为 [\s\S]*?但正如其他人所提到的，这可能不是正则表达式的好用法。

正则表达式错过了目标字符串的第一次出现

Regular expression missed first occurrence of target string

html

php

regex