Regex解析Amazon snippet HTML标签

Question

我得到了这两个片段：

<a rel="nofollow" href="http://www.amazon.de/gp/product/B004DI7A5S/ref=as_li_tl?ie=UTF8&camp=1638&creative=6742&creativeASIN=B004DI7A5S&linkCode=as2&tag=webbigode-21">PFIFF Reitstrumpf kariert, grau/lila, 37-39, 100322-144-37</a><img src="http://ir-de.amazon-adsystem.com/e/ir?t=webbigode-21&l=as2&o=3&a=B004DI7A5S" width="1" height="1" border="0" alt="" style="border:none !important; margin:0px !important;" />

第二个：

<a rel="nofollow" href="http://www.amazon.de/gp/product/B004DI7A5S/ref=as_li_tl?ie=UTF8&camp=1638&creative=6742&creativeASIN=B004DI7A5S&linkCode=as2&tag=webbigode-21"><img border="0" src="http://ws-eu.amazon-adsystem.com/widgets/q?_encoding=UTF8&ASIN=B004DI7A5S&Format=_SL110_&ID=AsinImage&MarketPlace=DE&ServiceVersion=20070822&WS=1&tag=webbigode-21" ></a><img src="http://ir-de.amazon-adsystem.com/e/ir?t=webbigode-21&l=as2&o=3&a=B004DI7A5S" width="1" height="1" border="0" alt="" style="border:none !important; margin:0px !important;" />

(请注意，它们是相似的，但第二个稍长一些。)

在第一个片段中，我需要href的内容，在第二个片段中，我需要Image-Source的内容。

这不起作用：

$result = preg_match_all("/<img.*?src\s*=.*?>/",$_POST['bild'],$matches);  

我该怎么办？

Answer 1

您可以使用Simple HTML DOM来解析RegEx，而不是使用HTML.

include 'simple_html_dom.php';

$html = str_get_html('<a rel="nofollow" href="http://www.amazon.de/gp/product/B004DI7A5S/ref=as_li_tl?ie=UTF8&camp=1638&creative=6742&creativeASIN=B004DI7A5S&linkCode=as2&tag=webbigode-21"><img border="0" src="http://ws-eu.amazon-adsystem.com/widgets/q?_encoding=UTF8&ASIN=B004DI7A5S&Format=_SL110_&ID=AsinImage&MarketPlace=DE&ServiceVersion=20070822&WS=1&tag=webbigode-21" ></a><img src="http://ir-de.amazon-adsystem.com/e/ir?t=webbigode-21&l=as2&o=3&a=B004DI7A5S" width="1" height="1" border="0" alt="" style="border:none !important; margin:0px !important;" />');
echo $html->find('a', 0)->href . PHP_EOL;
echo $html->find('img', 0)->src;

Answer 2

这一步提取href (大约36步)：

<a(?:\s*(?!href)[^\s>]*)*\s*href=["']([^"']+)

这一步提取src (~59步)：

<img(?:\s*(?!src)[^\s>]*)*\s*src=["']([^"']+)

标签是常规的，可以很容易地被正则表达式解析。注意，我假设属性(href和src)用引号括起来。

这些正则表达式非常快(它们比其他正则表达式快10倍以上)。事实上，考虑到PCRE中的所有优化，它们可能比完整的解析器更快。

本质上，我的正则表达式几乎是相同的。他们找到标记<a的开头，并查看它后面是否有任何属性。如果属性不是您想要的属性，则跳过(?:\s*(?!href)[^\s>]*)*。您想要的是捕获\s*href=["']([^"']+)["']。

Answer 3

您可以使用非常简单的正则表达式来解析这些值，使用非贪婪的“点”(.*?)的概念。虽然点将匹配任何内容，但它一次只使用一个字符，然后让模式的其余部分(双引号分隔符)匹配。您可以添加一些命名组，以提高可读性和访问结果：

href="(?<href>.*?)"|src="(?<imgsrc>.*?)" //global

• 正如Laurel所指出的，复杂性的降低是以执行速度为代价的。取舍取决于您的用例。

regex demo