PHP正则提取URL中连字符后.html前的7位数字 实现单循环处理

问题根因 #

你现有代码提取结果混入无关数字的核心逻辑漏洞是：在拿到.html之前的字符串后，直接删除了所有非数字字符，没有锚定目标数字的固定位置。这一操作会把项目标题里的零散数字（比如“300 м2”中的300、其他装饰文案里的数字）和目标ID拼接到一起，最终得到类似30021301919这类不符合预期的结果。

优化方案 #

完全可以通过锚定位置的正则表达式实现需求，同时把原来的3层foreach循环压缩为1层：

1. 正则匹配规则：精准定位「连字符后紧跟7位数字、数字后紧跟.html扩展名」的片段，捕获这7位数字作为结果，完全不会混入其他无关数字。
   对应的正则表达式为：/-(\d{7})\.html/
   规则说明：
   • -：锚定目标数字的前置位置，避免匹配到其他零散数字
   • (\d{7})：捕获组，仅提取长度为7的连续数字，不会多抓也不会少抓
   • \.html：锚定目标数字的后置位置，确保提取的是URL中项目ID部分的数字
2. 精简后的实现代码：

$result = [];
// 仅保留1层foreach，在遍历DOM节点时直接完成提取
foreach ($doc->find('.box-title h2') as $string) {
    $html = pq($string)->html();
    // 匹配到目标结构后直接取捕获的7位数字存入结果
    if (preg_match('/-(\d{7})\.html/', $html, $match)) {
        $result[] = (int)$match[1];
    }
}
return $result;

方案优势 #

• 彻底解决无关数字混入的问题：因为正则严格锚定了目标数字的前后位置，哪怕HTML内容里存在其他零散数字（比如项目面积标注、装饰文案里的数字），只要不符合「- + 7位数字 + .html」的结构，就不会被提取。比如第一个元素标题里的“300”、URL路径里其他片段的数字，都会被自动过滤。
• 循环层级大幅简化：不需要单独做字符串截断、不需要单独做非数字字符替换，只遍历一次DOM节点就完成全部提取逻辑，相比原实现的3层foreach，执行效率更高。
• 结果格式完全符合预期：提取到的数字会直接转为整数类型，和要求的结果数组结构完全一致。

内容的提问来源于stack exchange，提问作者user404405