我正在写一个涉及抓取网页的PHP脚本。当前，该脚本逐行分析页面，但是如果存在跨多行的标记，则脚本会中断

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

如果情况变得更糟，我可以通过删除所有换行符，然后在最接近的>处重新插入换行符来预处理页面，但这似乎有点麻烦。

理想情况下，我将能够检测到跨越线的标记，仅将那些标记与线连接起来，然后继续进行处理。
那么检测这种情况的最佳方法是什么？

解决方案

回答

好吧，这并不能回答问题，更多是一种意见，但是...

我认为最好的抓取策略(因此，消除此问题)不是逐行分析HTML(这对HTML来说是不自然的)，而是通过其自然的定界符：<>对来分析它。

课程分为两种：

• 标记立即关闭的元素，例如<br />
• 需要单独结束标记的标记元素，例如<p>文本</ p>

我们可以立即看到在使用段落(p)标记的情况下使用此策略的优势：解析mutiline段落比不必跟踪结束标记的位置更容易。

回答

这是我的烦恼之一：切勿手动解析HTML。切勿使用正则表达式解析HTML。切勿使用字符串比较来解析HTML。总是使用HTML解析器来解析HTML吗？那就是他们在那里的目的。

自从我完成任何PHP已有很长时间了，但是快速搜索发现了这个PHP5 HTML解析器。

回答

不要编写解析器，而使用别人的解析器：DOMDocument :: loadHTML只是其中之一，我认为还有很多其他解析器。

回答

为什么不读一行，然后将其设置为字符串，然后检查字符串中标签的打开和关闭位置，如果标签跨度更大，则一行将第二行添加到字符串中，然后将部件移到开口括号之前到我们处理的字符串。然后，只需解析整个文件即可。它不漂亮，但应该可以工作。

回答

如果我们必须坚持当前的解析方法，并且它是一个正则表达式，则可以使用多行标志" m"来跨越多行。

回答

也许在将来的项目中，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);
    }
}

可能可以通过某种方式对其进行优化，但是就我的目的而言，这已经足够了。