网页爬虫 - php中在函数preg_match_all()如何使用正则表达式匹配多重嵌套的html结构？

Question

举例：

...
<h1>我是标题</h1>
<p class='myclass'>
   <p>这是一行文字</p>
   <p>这是一个p</p>
   <p>
       <p>这是嵌套的一行文字</p>
   </p>
</p>
...

如上所示，服务器端返回一段很长的dom结构，需求是把<h1>标签下面最大的那个p拿到，然后解析出其中p标签内的数据，使用preg_match_all()或者preg_match()，正则表达式如何才能匹配到最外层的这个p？

PS:因为页面结构太杂，所以才想到先匹配到h1下面的的p，然后再匹配p中的p

PS：再精简一点，如果p的class是特定的，整个dom结构中只有一个myclass，如果匹配出带有这个class的p

Answer 1

如果不是非常在意性能，这个可以像js/jquery的语法一样获取DOM的内容，比如：

$crawler = new Crawler('<p xxx></p>');
$crawler->filter('body > p')->eq(0);

• DOMDocument extension=dom.so

• phpquery 仿jQuery语法 http://code.google.com/p/phpquery/

• DomCrawler symfony出品 https://symfony.com/doc/current/components/dom_crawler.html

• querypath http://querypath.org/

• simplehtmldom http://simplehtmldom.sourceforge.net/

你提到多重嵌套，想必是：<p class="xxx">(.*?)</p>不好使的问题，面对这个问题时，一般这么做

1. 先找到找到这个<p> 的特征，这个特征可以根据class、或者一些属性可以匹配到，比如：<p[^<>]*class="xxx">

2. 再找到这个</p> 结尾处的特征，光</p> 肯定是不够的，还要往下找，比如找到下一个<p class="yyy">的特征

3. 如果特征比较明显： 开始特征 (.*?) 结尾特征 可以捕获中间的内容

Answer 2

可以用simple_html_dom.php:

<?php
$html = <<<'nowdoc'
<h1>我是标题</h1>
<p class='myclass'>
    <p>这是一行文字</p>
    <p>这是一个p</p>
    <p>
        <p>这是嵌套的一行文字</p>
    </p>
</p>
nowdoc;
require 'simple_html_dom.php';
$html = str_get_html($html);
foreach($html->find('p.myclass') as $v) {
    $arr[] = trim($v->find('p', 0)->plaintext);
    $arr[] = trim($v->find('p p', 0)->plaintext);
}
var_export($arr);
//输出
array (
  0 => '这是一行文字',
  1 => '这是嵌套的一行文字',
)