如何用PHP的preg_match_all提取指定HTML内容中的信息？

需求说明 #

你需要从以下HTML代码中提取每个条目里的4类信息：

• a标签的href属性值（如/categories/rr/1.html）
• img标签的src属性值（如http://www.erty.com/images/440f2d2a.jpg）
• span标签内的文本（如Ind）
• 括号内的数字（如98）

用户提供的原始HTML代码：

<div class="ti"><div class="pic"> <a href="/categories/rr/1.html"><img src="http://www.erty.com/images/440f2d2a.jpg" alt="Ind"> <span>Ind</span></a> (98) </div></div><div class="ti"><div class="pic"> <a href="/categories/ert/1.html"><img src="http://www.erty.com/images/4123d2b.jpg" alt="Wes"> <span>Wes</span></a> (6044) </div></div>

原正则的问题 #

你尝试的正则表达式：

preg_match_all('|[^<div class="ti"><div class="pic">].*?[^</div></div>]+|', $test_html, $out, PREG_PATTERN_ORDER);

这个写法逻辑有误：

• [^<div class="ti"><div class="pic">] 是否定字符集，它匹配的是不是这些单个字符的内容，而不是排除整个标签字符串，这完全不符合你的预期。
• 整个正则没有针对你需要的4个信息设置捕获组，自然无法提取目标内容。

解决方案 #

方案1：使用DOMDocument（推荐，处理HTML更可靠）

正则处理HTML容易因为标签格式变化（比如空格、换行）失效，PHP的DOM扩展是更专业的HTML解析工具，示例代码如下：

$html = '<div class="ti"><div class="pic"> <a href="/categories/rr/1.html"><img src="http://www.erty.com/images/440f2d2a.jpg" alt="Ind"> <span>Ind</span></a> (98) </div></div><div class="ti"><div class="pic"> <a href="/categories/ert/1.html"><img src="http://www.erty.com/images/4123d2b.jpg" alt="Wes"> <span>Wes</span></a> (6044) </div></div>';

$dom = new DOMDocument();
// 处理HTML可能存在的格式问题
libxml_use_internal_errors(true);
$dom->loadHTML($html);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
// 定位所有class为ti的div下的pic容器
$picDivs = $xpath->query('//div[@class="ti"]/div[@class="pic"]');

$results = [];
foreach ($picDivs as $div) {
    $item = [];
    // 提取a标签的href
    $aTag = $xpath->query('.//a', $div)->item(0);
    if ($aTag) {
        $item['href'] = $aTag->getAttribute('href');
    }
    // 提取img标签的src
    $imgTag = $xpath->query('.//img', $div)->item(0);
    if ($imgTag) {
        $item['img_src'] = $imgTag->getAttribute('src');
    }
    // 提取span标签的文本
    $spanTag = $xpath->query('.//span', $div)->item(0);
    if ($spanTag) {
        $item['span_text'] = trim($spanTag->nodeValue);
    }
    // 提取括号内的数字
    $textContent = trim($div->nodeValue);
    preg_match('/\((\d+)\)/', $textContent, $matches);
    if (!empty($matches[1])) {
        $item['number'] = $matches[1];
    }
    $results[] = $item;
}

// 输出结果
print_r($results);

运行后会得到结构化的结果数组，每个元素对应一个条目里的4类信息。

方案2：使用修正后的正则表达式

如果一定要用正则，需要编写包含精准捕获组的表达式，匹配每个ti容器内的目标内容：

$html = '<div class="ti"><div class="pic"> <a href="/categories/rr/1.html"><img src="http://www.erty.com/images/440f2d2a.jpg" alt="Ind"> <span>Ind</span></a> (98) </div></div><div class="ti"><div class="pic"> <a href="/categories/ert/1.html"><img src="http://www.erty.com/images/4123d2b.jpg" alt="Wes"> <span>Wes</span></a> (6044) </div></div>';

// 正则表达式，4个捕获组分别对应你需要的4类信息
$pattern = '/<div class="ti"><div class="pic">\s*<a href="([^"]+)">\s*<img src="([^"]+)"[^>]*>\s*<span>([^<]+)<\/span><\/a>\s*\((\d+)\)\s*<\/div><\/div>/';

preg_match_all($pattern, $html, $matches, PREG_SET_ORDER);

$results = [];
foreach ($matches as $match) {
    $results[] = [
        'href' => $match[1],
        'img_src' => $match[2],
        'span_text' => $match[3],
        'number' => $match[4]
    ];
}

// 输出结果
print_r($results);

这个正则通过4个捕获组分别捕获：

1. ([^"]+)：捕获a标签href属性的内容（直到双引号结束）
2. ([^"]+)：捕获img标签src属性的内容
3. ([^<]+)：捕获span标签内的文本（直到<结束）
4. (\d+)：捕获括号内的数字

注意：这个正则依赖HTML格式稳定，如果标签内出现额外的属性、换行或空格，可能需要调整正则中的\s*（匹配任意空白字符）来兼容。

内容的提问来源于stack exchange，提问作者Blaze Mathew