RegEx problema - recuperar el contenido de la etiqueta con la clase dada - preg_match (_all)

Question

necesito para recuperar el contenido de la etiqueta <p> con clase dada. Clase podría simplecomment o comment ...

Así que escribió el siguiente código

preg_match("|(<p class=\"(simple)?comment(.*)?\">)(.*)<\/p>|ism", $fcon, $desc);

Por desgracia, no devuelve nada. Sin embargo, si se quita la etiqueta termina la parte (<\/p>) funciona de alguna manera, returing la cadena que es demasiado largo (de principio etiqueta al final del documento) ...

Lo que está mal con mi expresión regular?

Answer 1

Trate de usar un analizador DOM como http://simplehtmldom.sourceforge.net/

Si leo el código de ejemplo en la página de simplehtmldom correctamente se podría hacer algo como esto:

$html->find('div.simplecomment', 0)->innertext = '';

Answer 2

La solución rápida aquí es la siguiente:

'|(<p class="(simple)?comment[^"]*">)((?:[^<]+|(?!</p>).)*)</p>|is'

Los cambios:

• El (.*) construcción se acaba de coincidir ciegamente todo, que para su expresión regular de trabajo, por lo que he reemplazado por completo los casos con partidos más estrictas:
  1. ... comment(.*)? ... - esto coincidirá con todo o nada, básicamente. He reemplazado esto con [^"]* ya que coincide con cero o más caracteres no " (básicamente, que coincidirá con el carácter " cierre del atributo class.
  2. ... >)(.*)<\/p> ... - de nuevo, esta coincidirá demasiado. He reemplazado con un modelo eficiente que coincida con todos los caracteres no <, y una vez que se realiza un < se comprobará si es seguido por </p>. Si lo es, se detendrá a juego (ya que estamos al final de la etiqueta <p>), de lo contrario va a continuar.
• I eliminado la bandera m ya que no tiene uso en esta expresión regular.

Pero no será fiable (<p class="comment">...<p>...</p></p> imaginar, sino que coincidirá <p class="comment">...<p>...</p>).

Para que sea fiable, necesitará utilizar expresiones regulares recursivas o (mejor aún) un analizador de HTML (o XML si es XHTML se está tratando.) Incluso hay bibliotecas por ahí que pueden manejar incorrecto HTML " adecuadamente"(como lo hacen los navegadores.)