用正则表达式Negative Lookahead提取谷歌结果内层指定class div内容

正则修正方案 #

原代码问题根源 #

你标记行的写法存在两个核心问题：

1. 多层嵌套分组叠加*量词会触发严重回溯，长文本下要么匹配超时要么结果异常
2. 只对<开头的片段做负向预查，覆盖场景不全，无法兼容包含<的合法描述内容，也没法自动过滤外层嵌套的div结构

修正后完整代码 #

preg_match_all(
    '/<div class="BNeawe s3v9rd AP7Wnd">'.
        '(?:<span dir="rtl">)?'.
        '((?:(?!<\/(?:span|div)).)*)'.
        '(?:<\/span>)?'.
    '<\/div>/s',
    $gp,
    $desc
);

调整说明 #

• 把不需要保留结果的分组改为非捕获组（以?:开头），避免结果数组出现多余空项，最终提取到的描述内容统一存储在$desc[1]中
• 核心内容匹配逻辑改用负向预查先行校验：每匹配一个字符前都会确认后续不会出现</span>或</div>标签，既允许描述内容中存在单独的<字符，也会自动过滤外层嵌套的div，直接匹配到最内层目标div的内容
• 末尾增加s修饰符，让.可以匹配换行符，适配描述内容带换行的场景

内容的提问来源于stack exchange，提问作者babak golbaharan