如何确定 html 标签是否跨多行

StackOverflow https://stackoverflow.com/questions/33814

  •  09-06-2019
  •  | 
  •  

题

我正在编写一个涉及抓取网页的 PHP 脚本。目前，该脚本逐行分析页面，但如果存在跨多行的标签，则会中断，例如 

<img src="example.jpg"
alt="example">

如果情况更糟，我可以通过删除所有换行符来预处理页面，然后在最近的位置重新插入它们 >, ，但这似乎是一个拼凑。

理想情况下，我能够检测到跨行的标签，仅将这些标签连接到行，然后继续处理。
那么检测这一点的最佳方法是什么？

有帮助吗？

解决方案 4

也许对于未来的项目，我将使用解析库，但这与当前的问题无关。这是我目前的解决方案。 rstrpos 是 strpos，但方向相反。使用示例：

for($i=0; $i<count($lines); $i++)
{
    $line = handle_mulitline_tags(&$i, $line, $lines);
}

这是该实现：

function rstrpos($string, $charToFind, $relativePos)
{
    $searchPos = $relativePos;
    $searchChar = '';

    while (($searchChar != $charToFind)&&($searchPos>-1))
    {
        $newPos = $searchPos-1;
        $searchChar = substr($string,$newPos,strlen($charToFind));
        $searchPos = $newPos;
    }

    if (!empty($searchChar))
    {
        return $searchPos;
        return TRUE;
    }
    else
    {
        return FALSE;
    }
}

function handle_multiline_tags(&$i, $line, $lines)
{
    //if a tag is opened but not closed before a line break,

    $open = rstrpos($line, '<', strlen($line));
    $close = rstrpos($line, '>', strlen($line));
    if(($open > $close)&&($open > -1)&&($close > -1))
    {
        $i++;
        return trim($line).trim(handle_multiline_tags(&$i, $lines[$i], $lines));
    }
    else
    {
        return trim($line);
    }
}

这可能可以以某种方式进行优化，但对于我的目的来说，这已经足够了。

其他提示

这是我最讨厌的事情之一： 绝不 手动解析 HTML。 绝不 使用正则表达式解析 HTML。 绝不 通过字符串比较来解析 HTML。 总是 使用 HTML 解析器来解析 HTML – 这就是它们的用途。

已经很久没有写PHP了，但是快速搜索一下就发现了 这个 PHP5 HTML 解析器.

不要编写解析器，使用别人的： DOMDocument::loadHTML ——这只是其中之一，我想还有很多其他的。

好吧，这并没有回答问题，更多的是一种意见，但是......

我认为最好的抓取策略（从而消除这个问题）不是逐行分析 HTML，这对于 HTML 来说是不自然的，而是通过其自然分隔符来分析它：<> 对。

当然会有两种类型：

  • 立即关闭的标签元素，例如 < br />
  • 需要单独结束标记的标记元素，例如 < p > text </p >

您可以立即看到在段落（p）标签的情况下使用此策略的优势：解析多行段落会更容易，而不必跟踪结束标记的位置。

为什么不读取一行，并将其设置为一个字符串，然后检查字符串中的标签开头和结尾，如果标签跨越多于一行，则将下一行添加到字符串中，并将该部分移动到左大括号之前到您处理过的字符串。然后只需解析整个文件即可。它不漂亮，但应该有用。

如果您必须坚持当前的解析方法，并且它是正则表达式，则可以使用 多行标志 “m”跨越多行。

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top