如何从字符串中提取PHP中的标题标记

Question

从包含大量HTMl的字符串中，我怎样才能将<h1><h2>etc标记中的所有文本提取到新变量中。

可能使用preg_match_all并将匹配发送给单个逗号分隔变量。

谢谢你们。

Answer 1

如果你真的想使用正则表达式，我认为：

preg_match_all('/<h[0-6]>([^</h[0-6]>*)</h/i', $string, $matches); 

应该只要你的标题标签没有嵌套工作。正如其他人所说，如果你不控制HTML，正则表达式不是一个很好的方法来做到这一点。

Answer 2

当问题是“我如何从HTML中提取东西”时，答案永远不要使用正则表达式。相反，请参阅Robust, Mature HTML Parser for PHP的讨论。

Answer 3

建议不要使用正则表达式这个工作，使用的东西SimpleHTMLDOM parser

Answer 4

你可能会更好使用HTML解析器。但对于真正简单的场景，这样的事情可能会做：

if (preg_match_all('/<h\d>([^<]*)<\/h\d>/iU', $str, $matches)) { 
    // $matches contains all instances of h1-h6 
} 

Answer 5

请考虑本地DOMDocument php类。

您可以使用$domdoc->getElementsByTagName('h1')查看您的标题。

Answer 6

首先，你需要清理（在本例中$ html_str）的HTML与整洁：

$tidy_config = array(
    "indent"    => true, 
    "output-xml"   => true, 
    "output-xhtml"   => false, 
    "drop-empty-paras"  => false, 
    "hide-comments"  => true, 
    "numeric-entities"  => true, 
    "doctype"    => "omit", 
    "char-encoding"  => "utf8", 
    "repeated-attributes" => "keep-last" 
); 

$xml_str = tidy_repair_string($html_str, $tidy_config); 

然后您可以将XML（$ xml_str）加载到一个DOMDocument：

$doc = DOMDocument::loadXML($xml_str); 

最后你可以使用Horia Dragomir的方法：

$list = $doc->getElementsByTagName("h1"); 
for ($i = 0; $i < $list->length; $i++) { 
    print($list->item($i)->nodeValue . "<br/>\n"); 
} 

或者你也可以使用XPath进行更复杂的查询在DOM文档（见http://www.php.net/manual/en/class.domxpath.php）

$xpath = new DOMXPath($doc); 
$list = $xpath->evaluate("//h1"); 

Answer 7

我知道这是一个超级老帖子，但我想提一提我就能够共同抓住标题标签的最佳方式。

<h1>title</h1> and <h2>title 2</h2> 

这种方法（可以作为一个正则表达式，但是PHP行为有点不同。）在你的preg_match

/<\s*h[1-2](?:.*)>(.*)</\s*h/i 

使用本

|<\s*h[1-2](?:.*)>(.*)</\s*h|Ui 

$group[1]将包括曾经是什么在标题标签之间。 $group[0]就是一切<h1>test</h

这将占空间，如果有人添加了 “类/ ID”

<h1 class="classname">test</h1> 

类/ ID（组）被忽略。

注意：当我分析HTML标签时，我总是将所有空白区域，换行符，制表符等取出并用1个空格替换。这最大限度地减少了多线，dotalls ...和大量的空白，在某些情况下可能会混淆正则表达式格式。

• 当然我只抓取1-2个标题标签，将其更改为0-9以全部抓取。
• 如果其他人有一个mod来添加或修复我的代码，请回复，我真的很想知道。
• 相反，正则表达式对HTML不好，这是一个非常开放的论点。因为如果你设计你的php函数和正则表达式来完美地去掉垃圾并为正则表达式准备HTML，你将会完全能够抓住你正在寻找的东西。你可以做出足够的正则表达式来替代业余html工作。

这里是一个测试页面regex test

Answer 8

我想和大家分享我的解决办法的链接：

function get_all_headings($content) { 
    preg_match_all('/\<(h[1-6])\>(.*)<\/h[1-6]>/i', $content, $matches); 

    $r = array(); 
    if(!empty($matches[1]) && !empty($matches[2])){ 
     $tags = $matches[1]; 
     $titles = $matches[2]; 
     foreach ($tags as $i => $tag) { 
      $r[] = array('tag' => $tag, 'title' => $titles[ $i ]); 
     } 
    } 

    return $r; 
} 

这个函数会返回一个空数组，如果标题没有找到或者是这样的：

array (
    array (
     'tag' => 'h1', 
     'title' => 'This is a title', 
    ), 
    array (
     'tag' => 'h2', 
     'title' => 'This is the second title', 
    ), 
)