php正则表达式问题

Question

我想从网站获得<form>。但在这种情况下的表单部分之间，还有其他的html代码。如何删除它们？我的意思是如何使用PHP只是定期和部分从网站？

$str = file_get_contents('http://bingphp.codeplex.com'); 
preg_match_all('~<form.+</form>~iUs', $str, $match); 
var_dump($match); 

Answer 1

您不应该使用正则表达式来提取HTML内容。使用DOM parser。

E.g.

$doc = new DOMDocument(); 
$doc->loadHTMLFile("http://bingphp.codeplex.com"); 

$forms = $doc->getElementsByTagName('form'); 

更新：如果你想删除的形式（不知道你的意思是）：

for($i = $forms.length;$i--;) { 
    $node = $forms->item($i); 
    $node->parentNode->removeChild($node); 
} 

更新2：

我只注意到他们有一个包含全身内容的格式。所以这样或那样，你会得到整个页面。

Answer 2

我能想到的最好的方法是使用PHP的简单HTML DOM库来从HTML页面使用DOM查询获取表单。

这比使用像simplexml或domdocument这样的内置xml解析器更方便一些。

您可以在这里找到the library。

Answer 3

正则表达式的问题在于贪婪。对于这种情况，建议使用.+?。

但是@Felix说了些什么。虽然正则表达式对于HTML 提取可行，但您经常会查找特定的内容，因此应该对其进行解析。它也更简单，如果你使用QueryPath：

$str = file_get_contents('http://bingphp.codeplex.com'); 
print qp($str)->find("form")->html(); 

Answer 4

通常情况下，你应该使用DOM来解析HTML，但在这种情况下，网站是很远不是标准的HTML，与一些代码正在地方通过修改JavaScript的。因此它不能被加载到DOM对象中。这可能是故意的，这是一种混淆代码的方式。

无论如何，它不是你的RE（虽然使用非贪婪的匹配会有所帮助），但是网站本身的设计阻止了你解析出你想要的东西。