文本内容
" />
本文介绍如何从 HTML 字符串中精准提取所有表示非零美元金额（如 0.01 Dollar、50.00 Dollar）的 <span> 文本，排除 0 Dollar 和 0.00 Dollar 等零值情况，提供基于 DOM 解析与纯正则两种专业方案。
本文介绍如何从 html 字符串中精准提取所有表示非零美元金额（如 `0.01 dollar`、`50.00 dollar`）的 `` 文本，排除 `0 dollar` 和 `0.00 dollar` 等零值情况，提供基于 dom 解析与纯正则两种专业方案。
在实际 Web 数据抓取或 HTML 内容清洗任务中，常需从不规范的 HTML 片段中提取特定语义数值（如货币金额）。本例目标明确：仅保留严格大于零的美元金额文本（如 0.01 Dollar、50.00 Dollar），而剔除 0 Dollar、0.00 Dollar 等零值表达。由于 HTML 结构可能不完整（如缺失闭合标签或含冗余空格），直接使用正则匹配存在风险；但结合上下文约束，仍可设计高鲁棒性方案。
✅ 推荐方案：DOM 解析 + XPath + PHP 函数扩展（最健壮）
利用 DOMDocument 解析 HTML 并借助 DOMXPath 注册 PHP 函数，可在结构化层级上安全执行逻辑判断：
$html = <<<HTML
<span>0 Dollar</span>
<span>0.01 Dollar</span>
<span>0.00 Dollar</span>
<span>50.00 Dollar</span>
HTML;
$dom = new DOMDocument();
libxml_use_internal_errors(true); // 忽略解析警告（如未闭合标签）
$dom->loadHTML($html);
libxml_clear_errors();
$xp = new DOMXPath($dom);
$xp->registerNamespace("php", "http://php.net/xpath");
$xp->registerPHPFunctions('preg_match');
// 正则：匹配以非零数字开头、后接可选小数和 "Dollar" 的完整字符串
$pattern = '/\A(?=[0.]*[1-9])\d+(?:\.\d+)?+\h+Dollar\z/';
$spans = $xp->query("//span[php:functionString('preg_match', '$pattern', text()) > 0]");
$result = [];
foreach ($spans as $span) {
$result[] = trim($span->nodeValue);
}
print_r($result);
// 输出：Array ( [0] => 0.01 Dollar [1] => 50.00 Dollar )✅ 优势：自动处理 HTML 嵌套、编码、空白字符；支持任意 <span> 位置；语义清晰、可维护性强。
⚠️ 注意：确保输入 HTML 可被 DOMDocument 正确加载（建议启用 libxml_use_internal_errors 容错）。
⚙️ 备选方案：纯正则匹配（适用于简单/非标准 HTML）
若 HTML 片段高度不规范（如 <span 标签缺失、仅含 >xxx Dollar</span 类原始文本），可采用锚定上下文的正则：
$data = <<<DATA >0 Dollar</span >0.01 Dollar</span >0.00 Dollar</span >50.00 Dollar</span DATA; $regex = '/>\K(?=[0.]*[1-9])\d+(?:\.\d+)?+\h+Dollar(?=<)/'; preg_match_all($regex, $data, $matches); print_r($matches[0]); // 输出：Array ( [0] => 0.01 Dollar [1] => 50.00 Dollar )
? 正则详解：
立即学习“前端免费学习笔记（深入）”；
- > 匹配字面量 >（常见于未闭合 <span> 的原始输出）；
- \K 重置匹配起点，避免捕获前导 >；
- (?=[0.]*[1-9]) 正向先行断言：确保后续至少有一个非零数字（1-9），允许前导 0 或 .（如 0.01）；
- \d+(?:\.\d+)?+ 匹配整数或带小数的数字（?+ 表示占有量词，提升效率）；
- \h+Dollar 匹配一个或多个水平空白（空格/制表符）后接 Dollar；
- (?=<) 断言右侧紧邻 <（即 </span 的起始）。
⚠️ 限制：该正则依赖 > 和 < 的固定位置，不适用于嵌套标签或复杂结构；对 Unicode 空格或换行需额外适配。
? 总结与最佳实践
- 优先使用 DOM 方案：当 HTML 片段相对完整（即使有轻微错误）时，DOM 解析更可靠、可扩展，并天然支持 CSS 选择器增强定位（如 //span[contains(@class,'amount')]）。
- 谨慎使用正则方案：仅限已知格式极度简单、且无法引入 DOM 解析的轻量场景；务必通过真实数据集验证边界情况（如 000.00 Dollar、.5 Dollar、100 Dollar 等）。
- 金额校验建议：若业务要求严格数值判断（而非字符串模式），应在提取后用 (float)$amount > 0 二次验证，避免正则遗漏边缘 case。
无论选择哪种方式，核心逻辑始终是：识别并排除所有语义为零的表达，精确捕获有效非零金额文本——这是结构化数据提取中“语义过滤”的典型范式。
