当前位置：首页 > 文章列表 > 文章 > php教程 > 用正则高效提取div下li文本

用正则高效提取div下li文本

2025-04-02 17:33:31 0浏览收藏

本文介绍如何使用正则表达式高效提取HTML片段中特定div标签下的li文本内容。文章以一个实际案例为例，目标是从class="block-2"的div标签内提取所有li标签的文本。虽然直接用正则表达式处理HTML并非最佳实践，但对于结构简单的HTML，该方法可行。文章提供了一个正则表达式及代码示例，并详细解释了正则表达式中零宽断言的用法。但文章也强调，对于复杂的HTML结构，使用HTML解析器更可靠，避免因HTML结构变化导致正则表达式失效。学习如何用正则表达式提取HTML数据，提升网页数据抓取效率。

利用正则表达式提取html片段中的特定内容

本文将探讨如何使用正则表达式从一段html文本中提取特定内容。假设我们通过curl抓取了一段html文本，其结构如下，我们希望提取class="block-2"的div标签内所有li标签中的文本内容。

直接使用正则表达式匹配html结构通常不是最佳实践，因为html的复杂性和多样性使得正则表达式难以准确地捕捉所有情况。然而，针对这个相对简单的例子，我们可以尝试使用正则表达式来提取所需内容。以下提供一种方法，它可能并非完美，但可以在特定情况下有效：

该方法首先移除html中的换行符和空格，简化匹配过程，然后利用正则表达式/(?<=block-1.*

).*?(?=<\/li>.*block-2)/g进行匹配。

该正则表达式使用了零宽断言：

(?<=block-1.*
): 正向肯定环视，确保匹配项前面是block-1和至少一个字符，以及
。
(?=<\/li>.*block-2): 正向肯定环视，确保匹配项后面是

.*?表示匹配任意字符，尽可能少的次数，用于提取

标签之间的内容。g标志表示全局匹配，查找所有匹配项。

需要注意的是，这种方法依赖于html结构的特定模式，如果html结构发生变化，该正则表达式可能需要修改。更稳健的方法是使用html解析器，而不是正则表达式来处理html数据。解析器可以更可靠地提取数据，并且不会受到html结构变化的影响。以下提供一个示例代码：

let str = `    
        
            文章标题b1
            文章标题b2
            文章标题b3
        
    
    
        
            文章标题1
            文章标题2
            文章标题3
        
    
    
        
            文章标题1
            文章标题2
            文章标题3
        
    `;

let removeEnter = str.replace(/[\r\n]/g, "").replace(/[ ]/g, "").match(/(?<=block-1.*).*?(?=<\/li>.*block-2)/g);
console.log(removeEnter);