正则表达式匹配 Html 标签和内部 Html 模式

Question

我抓取了一个网页，我正在尝试从没有 class 或 ID 的 td 中提取数据。假设我有以下 html：

<table> 
    <tr>
        <td>Title</td>
        <td>The Harsh Face of Mother Nature</td>
        </tr>
        .
        .
        .
</table>

我正在尝试 preg_match：

$title = preg_match("\(>Title)(.*?)(?=<\/td\>{2})\", $html);

我的模式以 >Title 开始，结束是 </td> 的第 2 次出现。

我一直在与 https://regex101.com/ 合作试图解决这个问题，但正则表达式真的很难！特别是对于我想要完成的晦涩的东西。有什么帮助吗？谢谢！

（编辑如下：）目标是获得类似 </td><td>The Harsh Face of Mother Nature 的刺痛，然后进行另一场预匹配以删除第一部分并获得 The Harsh Face of Mother Nature

的最终产品

Answer 1

您可以在 preg_match 或 preg_match_all

中使用以下正则表达式

>Title.*?<\/td>.*?<td>\K.*?(?=<\/td>)

DEMO

$re = "/>Title.*?<\/td>.*?<td>\K.*?(?=<\/td>)/s";
$str = "<table> \n <tr>\n <td>Title</td>\n <td>The Harsh Face of Mother Nature</td>\n </tr>\n .\n .\n .\n</table>";
preg_match_all($re, $str, $matches);

Answer 2

您可以试试这个正则表达式 .*\<table\>\s*\<tr\>\s*\s*\<td\>title\<\/td>\s*\<td\>((\w*\s*\w*)*)<\/td>.* 它将在第一组中捕获 <td>title</td> 之后的 <td> 标记的内容，后者位于 <table> 之后标签。

Answer 3

用js第n子属性搞定

$( "table tr td:nth-child(2)" )

Answer 4

尝试另一种方法： >Title.*?(?=<td>)<td>\K.*?(?=<\/td>)

$re = "/>Title.*?(?=<td>)<td>\K.*?(?=<\/td>)/s";
$str = "<table> \n <tr>\n <td>Title</td>\n <td>The Harsh Face of Mother Nature</td>\n <td>The Harsh Face of Mother Nature</td>\n </tr>\n .\n .\n .\n</table>";

preg_match_all($re, $str, $matches);

Demo

正则表达式匹配 Html 标签和内部 Html 模式

Regex Match Html Tag and Inner Html Pattern

php

regex

web-scraping