php實戰Regex（二）：提取html元素

這篇文章通過提取html元素介紹了Regex中模式修飾符、貪婪匹配與非貪婪匹配、Unicode模式、環視等知識點。
在閱讀這篇文章前最好把同系列文章php實戰Regex（一）：驗證手機號先仔細閱讀一遍。

基本提取

有這樣一個表格

使用者名稱	職業
Kobe Bryant	籃球運動員
Jay Chou	歌手、詞曲創作人、製作人、演員、導演
Lionel Messi	足球運動員

它的源碼如下：

 
  
  
 
   

    
使用者名稱
    
職業
   
 
  
  
  
 
   
 
    
Kobe Bryant
    
籃球運動員
 
   
 
   
 
    
Jay Chou
    
歌手、詞曲創作人、製作人、演員、導演
 
   
 
   
 
    
Lionel Messi
    
足球運動員
 
   
 
  
 

現在要提取第一個元素。最簡單的Regex應該是這樣：

\s+.*<\/tr>

其中

• \s是php實戰Regex（一）：驗證手機號介紹過的字元組簡記法中的一個，代表斷行符號符、空格、定位字元等空白字元

• 量詞+表示它所修飾的字元或字元組出現次數大於等於1

• 點號字元.在Regex中是一個特殊的元字元，它可以匹配“任一字元”

• 閉標籤中的斜線/在php的Regex中是模式分隔字元，所以需要轉義來表示斜線字元。

但實際上這樣一個運算式是無法從上面的中提取第一個元素的

這裡主要的問題是在預設情況下點號字元.無法匹配分行符號\n。有兩個方法可以解決這個問題：

• 使用模式修飾符s，Regex為/\s+.*<\/tr>/s或(?s)\s+.*<\/tr>。模式修飾符s的作用就是讓點號字元.可以匹配分行符號。

• 用[\s\S]或[\w\W]或[\d\D]代替點號字元.來匹配所有字元，Regex為\s+[\s\S]*<\/tr>

關於模式修飾符（Pattern Modifiers），這裡需要詳細介紹一下（點擊這裡查看php支援的所有模式修飾符）。模式修飾符可以改變Regex的一些預設規則，常用的模式修飾符有i、s、U、u等，我們在後面會用到它們中的一些，這裡不展開介紹每個模式修飾符的作用，後面用到了再具體介紹。這裡主要對比一下/.../{modifier}與...(?{modifier})...兩種表示方法的區別。

.*<\/tr>/s (?s).*<\/tr>

模式修飾符	/.../{modifier}	...(?{modifier})...
樣本	/
名稱（php手冊）	模式修飾符	模式內修飾符
名稱（《正則指引》）	預定義常量	模式修飾符
作用範圍	整個Regex	不在分組（子運算式）中時，對它後面的全部Regex起作用；如果在分組（子運算式）中，則對它分組中的剩餘部分起作用。在沒有分組，且放在整個Regex最前面的時候相當於/.../{modifier}
支援程度	支援所有模式修飾符	支援部分模式修飾符
其他程式設計語言	可能不支援	一般都支援

從上面的gif中可以看到提取的結果中有三個tr，而不是只有一個。這是因為Regex中量詞預設是貪婪匹配，在這裡，.*會匹配一切字元，直到最後沒有字元再向前回溯，回溯到中的最後一個時與Regex中的<\/tr>相匹配，從而完成整個匹配過程，最後的結果也就是包含了三個。

可以使用模式修飾符U指定整個Regex為非貪婪模式，也可以使用非貪婪匹配量詞指定某一個量詞為非貪婪模式：

• 指定整個Regex為非貪婪模式：

  • /\s+.*<\/tr>/Us

  • 或(?Us)\s+.*<\/tr>

• 非貪婪量詞：
  /\s+.*?<\/tr>/s

完整的貪婪量詞（匹配優先量詞）與非貪婪量詞（忽略優先量詞）見下表：

貪婪量詞	非貪婪量詞	限定次數
*	*？	可能出現，可能不出現，出現次數沒有上限
+	+？	至少出現1次，沒有上限
?	??	出現0次或1次
{m,n}	{m,n}?	出現次數大於等於m，小於等於n
{m,}	{m,}?	至少出現m次，沒有上限
{0,n}	{0,n}?	出現0次-n次

提取包含指定內容的行

假設我們想把表格中有關於運動員的記錄都提取出來，我們可能會使用/.*運動員.*<\/tr>/s這樣的Regex。

這個運算式在Unicode編碼環境下可以匹配出結果，但是在GBK環境下就未必了。我們可以通過模式修飾符u來指定Unicode模式：

/.*運動員.*<\/tr>/us

在Unicode模式下，我們甚至可以使用碼值來代替漢字：

/.*\x{8fd0}\x{52a8}\x{5458}.*<\/tr>/us

php正則中使用\x{hex}的形式來表示Unicode字元的碼值，使用碼值的好處是可以結合字元組來表示一段範圍，如[\x{4e00}-\x{9fff}]表示匹配所有漢字字元。

上面的運算式可以匹配出結果，但是卻不正確。我們可以看到，它匹配了整個字串的第一個到最後一個。
直覺上，我們是想Regex先去匹配“運動員”，然後向左尋找最近的一個，向右尋找最近的一個。但事實上，Regex是從左往右匹配的，即從開始尋找，整個Regex的匹配情況見下表（空白字元沒有顯示出來）。

運算式	匹配值
/
.*		使用者名稱	職業
Kobe Bryant	籃球
運動員	運動員
.*
Jay Chou	歌手、詞曲創作人、製作人、演員、導演
Lionel Messi	足球運動員
<\/tr>
/us

這裡兩個.*匹配到的字元都比預期要多。第二個.*匹配字元比預期多的原因是Regex預設是貪婪匹配模式，它會匹配剩餘字串中的每個字元，直到字串的末尾，然後再向前回溯到最後一個，可以通過指定非貪婪匹配模式來解決這個問題。但是第一個.*匹配字元比預期多是正常現象，因為Regex是從左向右匹配的，運算式中的匹配字串中第一個，後面的.*則匹配剩餘的所有字元，直到字串的末尾，然後再向前回溯到“運動員”。

我們先看看使用非貪婪匹配時的結果：

可以看到，第二個.*匹配的字元已經是我們想要的了。那麼，對於第一個.*匹配字元比預期多這個問題怎麼解決呢？

如果僅使用到目前為止我的文章中介紹的知識，也是有方法可以解決的。我們可以先從左至右匹配出所有的行（...），方法是使用php中的preg_match_all函數結合非貪婪匹配模式；然後再遍曆每一行，過濾出其中包含“運動員”的行即可。

當然，我們也可以通過純粹的Regex來解決這個問題。如果有一定Regex使用經驗的朋友可能很容易聯想到排除型字元組，我們介紹過字元組[...]，它表示在同一位置可能出現的字元。而排除型字元組則表示在同一位置不能出現的字元，它的形式是[^...]，通過緊跟在開方括弧[後面的^來表示排除型字元組。例如，[^\d]表示匹配的字元是除了數字以外的任一字元。
如果有排除型子運算式，類似於(^)*，我們只需要指定第一個.*把排除就行了。但是很遺憾，Regex中沒有排除型子運算式或者說排除型分組。這種情況下，我們只能使用環視

/(.(?!))*運動員.*<\/tr>/Us

環視（look-around）不匹配任何字元，用來“停在原地，四處張望”。上面的運算式使用了否定順序環視，它的形式是(?!...)。具體對於(.(?!))*來分析，每當.匹配了一個字元後，就向右看看，如果當前匹配字元的右邊沒有出現就匹配成功。

完整的環視有：

名字	記法	含義
肯定順序環視	(?=...)	向右看看，右邊出現了環視中的內容才匹配
否定順序環視	(?!...)	向右看看，右邊不出現環視中的內容才匹配
肯定逆序環視	(?<=...)	向左看看，左邊出現了環視中的內容才匹配
否定逆序環視	(?	向左看看，左邊不出現環視中的內容才匹配

由於上面的Regex有一個分組（子運算式），所以匹配的結果除了下標0，還有下標1，這裡下標1的結果其實沒有什麼用，我們可以用之前介紹過的非捕獲分組：

/(?:.(?!))*運動員.*<\/tr>/Us

我們的真正目的是提取所有包含“運動員”的行，而上面只提取了第一個，所以需要將preg_match函數換成preg_match_all。

