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:
    
                
                  sendmail 出现 My unqualified host name的解决办法
                    
    激活密钥许可证VMware Workstation Pro 15  激活许可证
                    
    Cent OS 7  VNC 安装
                    
    java插件提示安全设定高，不能加载解决方法
                    
    红帽订阅注册注意事项
                    
    微信小程序设计总结
                    
    npm包开发（whale-makelink）
                    
    Sketch网页截屏插件设计开发
                    
    轻量级服务器部署方案 -（阿里云CenOS+宝塔）
                    
    Sketch webView方式插件开发技术总结
                    
                        
              
    • 
              
    
              
  • 
                原文地址：https://www.cnblogs.com/linewman/p/9918123.html
              
    • 

            

          



          
          

            

            

          

        

      

      



      

      

        

          Copyright © 2011-2022 走看看