论坛徽章:: 0

电梯直达

1楼 [收藏(0)] [报告]

发表于 2008-06-11 10:27 |只看该作者 |倒序浏览

5可用积分

用PHP正则表达式匹配html页面中的形式如:
<html>
<script type="text/javascript">
function test () //<script>测试
{
alert ('test'); //
}
</script>
<body>
测试
</body>
</html>

我写了一段正则表达式来匹配上面html的脚本内容:
/<[sS]{1}[cC]{1}[rR]{1}[iI]{1}[pP]{1}[tT]{1}\s{0,}[_a-zA-Z0-9~`!@#$%^&*?()_+\-=\\\[\]|:;\"'\/,.{}\s".chr(0xa1).'-'.chr(0xff)."]{0,}>
[_a-zA-Z0-9~`!@#$%^&*?()_+\-=\\\[\]|:;\"'\/,.{}\s".chr(0xa1).'-'.chr(0xff)."]{0,}<\/[sS]{1}[cC]{1}[rR]{1}[iI]{1}[pP]{1}[tT]{1}>/

但不能成功匹配上面这个脚本，我仔细查看，发现脚本里面不能含有如"<"或">"这样的标签，如果有这样的标签，就会失败，如果有高手写的正则表达式能匹配上面这个脚本内容，将万分感谢。

[ 本帖最后由 elog 于 2008-6-11 10:30 编辑 ]

最佳答案

percy

查看完整内容

文库|博客

percy

稍有积蓄

论坛徽章:: 0

2楼 [报告]

发表于 2008-06-11 10:27 |只看该作者

<?php
$html_body = "<html>
<head>
<script type=\"text/javascript\">
function test () //<script>测试
{
alert ('test'); //
}
</script>
<title>the title</title>
</head>
<body>
<h1>h1</h1>
<p>test</p>
</body>
</html>";
preg_replace_callback("/(?<=<script type=\"text\/javascript\">)(.*)(?=<\/script>)/s", create_function('$matches', 'var_dump($matches);'), $html_body);
?>

复制代码

实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？

yanglei1979

白手起家

论坛徽章:: 0

3楼 [报告]

发表于 2008-06-11 11:00 |只看该作者

$b=preg_match_all("(<script.+?</script>)",$ff,$array);

一行代码不就搞定了

实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？

elog

白手起家

论坛徽章:: 0

4楼 [报告]

发表于 2008-06-11 11:09 |只看该作者

回复 #2 yanglei1979 的帖子

试过的，不行，在这个脚本之后的所有内容都有可能被替换，最开始我就是用这个表达式进行匹配，特别是有多个<script>*</script>，后来无奈之下才改成我现在这个。

实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？

yanglei1979

白手起家

论坛徽章:: 0

5楼 [报告]

发表于 2008-06-11 11:14 |只看该作者

$ff=str_replace("\n","",$ff);
$ff=str_replace("\r","",$ff);

用这两行代码过滤下要处理的字符串就可以了

实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？

elog

白手起家

论坛徽章:: 0

6楼 [报告]

发表于 2008-06-11 11:22 |只看该作者

回复 #4 yanglei1979 的帖子

呵呵，谢谢yanglei1979，这么积极的回答我的问题，但你所考虑过的我都考虑过了，全部过虑掉\n和\r的不符合我的需求，实际上就是过滤了，也不能正确匹配，我希望你写一段正则表达式的时候，最好是代入到实际内容里，正则表达式光看不做实际检验，是很难写出正确的表达式的，特别是比较复杂的情况下。

实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？

yanglei1979

白手起家

论坛徽章:: 0

7楼 [报告]

发表于 2008-06-11 11:42 |只看该作者

不会吧,我用这样的代码,做过很多采集分析的,怎么你就不行呢

思路是这样的:先用 file()函数获取网页源代码,然后对有特征的字会串进行匹配,就可以找到所需要的内容了.

你是想要 <script 到 </script> 之间的内容是吗

那就用$b=preg_match_all("(<td.+?</td>)",$ff,$array); 这样的来匹配一下就行了,比如上面的是找出所有 <td 到 </td> 之间的内容,如果有多个符合条件的,则以数组的形式放到 $array变量中去.