zoukankan      html  css  js  c++  java

  • 【正则表达式】使用正则来取html中的正文的bug【原创】

    今天碰到了一个问题，在写PHP，使用正则表达式来获取html中的body内容的时候，遇到了一个bug，不多说，先上代码，先上要取的html文件：
    8/index.html:
    1. <!DOCTYPE html>
    2. <html>
    3. <head>
    4.   <meta charset="UTF-8">
    5.   <title>你好你好</title>
    6.   <link rel="stylesheet" href="css/normalize.css">
    7.   <link rel="stylesheet" href="css/style.css" media="screen" type="text/css" />
    8. </head>
    9. <body>
    10.   <div style="text-align:center;clear:both;">
    11.     <script src="/follow.js" type="text/javascript"></script>
    12.   </div>
    13.   <div class='heart3d'>
    14.     <div class='rib1'></div>
    15.     <div class='rib2'></div>
    16.     <div class='rib3'></div>
    17.     <div class='rib4'></div>
    18.   </div>
    19. </body>
    20. </html>
    

    

    没什么特别的html文件。
    

    


    

    接着是php文件：
    

    1. <?php
    2. /**
    3.  * 在html文件中找出正文
    4.  * Created by PhpStorm.
    5.  * User: Administrator
    6.  * Date: 2016/11/15
    7.  * Time: 21:43
    8.  */
    9. 

    10. $filename = '8/index.html';
    11. $res = get_body_from_html($filename);
    12. var_dump($res);
    13. 

    14. 

    15. /**
    16.  * 在html文件中找出正文
    17.  * @param $filename  string 路径url
    18.  * @return array|bool
    19.  */
    20. function get_body_from_html($filename)
    21. {
    22.     if (!file_exists($filename)) {
    23.         return false;
    24.     }
    25. 

    26.     $file = file_get_contents($filename);
    27.     $res = array();
    28.     preg_match('/<body>(.*)</body>/', $file, $res);
    29.     return $res;
    30. }
    

    

    结果一运行发现是空的：
    

    

    

    

    1. array(0) { } 
    

    

    为了测试，改了一下方法：
    

    

    

    

    1. function get_body_from_html($filename)
    2. {
    3.     if (!file_exists($filename)) {
    4.         return false;
    5.     }
    6. 

    7. //    $file = file_get_contents($filename);
    8.     $file = '<html><head><title>你好</title>></head><body><div>我不好我不好</div></body></html>';
    9.     $res = array();
    10.     preg_match('/<body>(.*)</body>/', $file, $res);
    11.     return $res;
    12. }
    

    

    运行发现没问题：
    

    

    

    

    1. array(2) {
    2.   [0]=>
    3.   string(42) "<body><div>我不好我不好</div></body>"
    4.   [1]=>
    5.   string(29) "<div>我不好我不好</div>"
    6. }
    

    


    

    


    

    仔细检查代码，发现没啥问题，遂只好去segmentfault提问，很快就有了答案：
    

    是因为正则的问题，.只能匹配除了换行符的所有字符，所以匹配不到html中的，一般要匹配所有字符的话，两种方法，一种是：([sS]*?)，s匹配所有的空白，包括空格、换行、tab缩进等所有的空白，而S正好相反，这样sS就匹配所有的字符。[]表示在它里面包含的单个字符不限顺序的出现。类似的还有[wW]等，另外一种是给正则表达式添加模式修饰符/s。
    


    

    所以修改后的代码为：
    

    

    

    1. <?php
    2. /**
    3.  * 在html文件中找出正文
    4.  * Created by PhpStorm.
    5.  * User: Administrator
    6.  * Date: 2016/11/15
    7.  * Time: 21:43
    8.  */
    9. 

    10. $filename = '8/index.html';
    11. $res = get_body_from_html($filename);
    12. var_dump($res);
    13. 

    14. 

    15. /**
    16.  * 在html文件中找出正文
    17.  * @param $filename  string 路径url
    18.  * @return array|bool
    19.  */
    20. function get_body_from_html($filename)
    21. {
    22.     if (!file_exists($filename)) {
    23.         return false;
    24.     }
    25. 

    26.     $file = file_get_contents($filename);
    27.     $res = array();
    28.     preg_match('/<body>([sS]*?)</body>/', $file, $res);
    29.     return $res[0];
    30. }
    

    

    或者是：
    

    

    

    1. <?php
    2. /**
    3.  * 在html文件中找出正文
    4.  * Created by PhpStorm.
    5.  * User: Administrator
    6.  * Date: 2016/11/15
    7.  * Time: 21:43
    8.  */
    9. 

    10. $filename = '8/index.html';
    11. $res = get_body_from_html($filename);
    12. var_dump($res);
    13. 

    14. 

    15. /**
    16.  * 在html文件中找出正文
    17.  * @param $filename  string 路径url
    18.  * @return array|bool
    19.  */
    20. function get_body_from_html($filename)
    21. {
    22.     if (!file_exists($filename)) {
    23.         return false;
    24.     }
    25. 

    26.     $file = file_get_contents($filename);
    27.     $res = array();
    28.     preg_match('/<body>(.*)</body>/s', $file, $res);  //这一种方法也可以
    29.     return $res[0];
    30. }
    

    


    

    


    

    运行之后就没问题了：
    

    

    

    

    1. string(280) "<body>
    2.   <div style="text-align:center;clear:both;">
    3.     <script src="/follow.js" type="text/javascript"></script>
    4.   </div>
    5.   <div class='heart3d'>
    6.     <div class='rib1'></div>
    7.     <div class='rib2'></div>
    8.     <div class='rib3'></div>
    9.     <div class='rib4'></div>
    10.   </div>
    11. </body>"
    

    

    
            

    

    
    
                
    
                
              
    • 
              
    
              
  • 

                相关阅读:
    
                
                  PNG文件格式具体解释
                    
    opencv2对读书笔记——使用均值漂移算法查找物体
                    
    Jackson的Json转换
                    
    Java实现 蓝桥杯VIP 算法训练 装箱问题
                    
    Java实现 蓝桥杯VIP 算法训练 装箱问题
                    
    Java实现 蓝桥杯VIP 算法训练 单词接龙
                    
    Java实现 蓝桥杯VIP 算法训练 单词接龙
                    
    Java实现 蓝桥杯VIP 算法训练 方格取数
                    
    Java实现 蓝桥杯VIP 算法训练 方格取数
                    
    Java实现 蓝桥杯VIP 算法训练 单词接龙
                    
                        
              
    • 
              
    
              
  • 
                原文地址：https://www.cnblogs.com/linewman/p/9918123.html
              
    • 

            

          



          
          

            

            

          

        

      

      



      

      

        

          Copyright © 2011-2022 走看看