preg_matchを使いHTMLから取得する範囲指定について

phpにてpreg_matchで抽出する範囲の指定の件でお知恵をお借りしたく思います。

上記のような文字列からpreg_matchを使い

<div>テキスト１</div> <div>テキスト２</div> この部分を抽出したいと思っています。

class=["|']content["|'].?>(.?)</div>/is
にすると <div>テキスト１だけが抽出されます。
class=contentに対しての</div>まで抽出範囲を指定するにはどのようにすれば良いでしょうか？

simplehtmldom を利用すれば楽にできるのですが今回はpreg_match だけで対応したいです。
宜しくお願い致します。

Zuishin

2017/04/19 05:39

上記はただの一例ですよね？上記にだけ対応するなら容易いことですが、汎用性も持たせようと思えば記述不足です。また、すべての可能性に対応しようと思えば正規表現では困難です。というか無理です。

行動規範の内容に同意します

回答2件

ベストアンサー

相当無理矢理ですが

class=["|']content["|'].*?> から
</div>[\r\n]+</div> までとするのはどうでしょう？

PHP
1$str=<<<eof
2<div class="content">
3<div>テキスト１</div>
4<div>テキスト２</div>
5<div>テキスト３</div>
6<div>テキスト４</div>
7</div>
8eof;
9
10$pattern="/(?:class=[\"|']content[\"|'].*?>[\r\n]*)(<div>.+<\/div>)(?=[\r\n]+<\/div>)/mis";
11preg_match($pattern,$str,$m);
12print "<pre>";
13print htmlspecialchars($m[1]);

投稿2017/04/19 05:47

yambejp

総合スコア114814

enter_linx

2017/04/20 02:08

ありがとうございました。preg_matchだけで対応するのは難しいと判断しました。もう少し勉強してライブラリを使用せずできる方法を探してみます。

行動規範の内容に同意します

どのぐらいの汎用性を求めているのか分かりませんが、開始タグと終了タグのペアを検出すれば、対応するタグを検出する事は可能です。

/<div class="content">(?:[^<>]*<div(?:>|\s[^>]*>)[^<>]*<\/div>)*[^<>]*<\/div>/

このコードはdiv要素間に他のタグを含める事を許さず、<div class="content"> 配下でdiv要素が入れ子になる事を許しません。
そこまで対応するともっと複雑なコードが必要になりますね。
特にdiv要素の入れ子は正規表現1行で書けるものではなく、再帰的にマッチさせる必要があります。

Re: enter_linx さん

投稿2017/04/19 06:55

編集2017/04/19 06:58