【正则表达式】使用正则来取html中的正文的bug【原创】
今天碰到了一个问题，在写PHP，使用正则表达式来获取html中的body内容的时候，遇到了一个bug，不多说，先上代码，先上要取的html文件：
8/index.html:
<!DOCTYPE html><html><head><meta charset="UTF-8"><title>你好你好</title><link rel="stylesheet" href="css/normalize.css"><link rel="stylesheet" href="css/style.css" media="screen" type="text/css" /></head><body><div style="text-align:center;clear:both;"><script src="/follow.js" type="text/javascript"></script></div><div class='heart3d'><div class='rib1'></div><div class='rib2'></div><div class='rib3'></div><div class='rib4'></div></div></body></html>
没什么特别的html文件。
接着是php文件：
<?php/*** 在html文件中找出正文* Created by PhpStorm.* User: Administrator* Date: 2016/11/15* Time: 21:43*/$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/*** 在html文件中找出正文* @param $filename string 路径url* @return array|bool*/function get_body_from_html($filename){if (!file_exists($filename)) {return false;}$file = file_get_contents($filename);$res = array();preg_match('/<body>(.*)<\/body>/', $file, $res);return $res;}
结果一运行发现是空的：
array(0) { }
为了测试，改了一下方法：
function get_body_from_html($filename){if (!file_exists($filename)) {return false;}// $file = file_get_contents($filename);$file = '<html><head><title>你好</title>></head><body><div>我不好我不好</div></body></html>';$res = array();preg_match('/<body>(.*)<\/body>/', $file, $res);return $res;}
运行发现没问题：
array(2) {[0]=>string(42) "<body><div>我不好我不好</div></body>"[1]=>string(29) "<div>我不好我不好</div>"}
仔细检查代码，发现没啥问题，遂只好去segmentfault提问，很快就有了答案：
是因为正则的问题，.只能匹配除了换行符的所有字符，所以匹配不到html中的，一般要匹配所有字符的话，两种方法，一种是：([\s\S]*?)，\s匹配所有的空白，包括空格、换行、tab缩进等所有的空白，而\S正好相反，这样\s\S就匹配所有的字符。[]表示在它里面包含的单个字符不限顺序的出现。类似的还有[\w\W]等，另外一种是给正则表达式添加模式修饰符/s。
所以修改后的代码为：
<?php/*** 在html文件中找出正文* Created by PhpStorm.* User: Administrator* Date: 2016/11/15* Time: 21:43*/$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/*** 在html文件中找出正文* @param $filename string 路径url* @return array|bool*/function get_body_from_html($filename){if (!file_exists($filename)) {return false;}$file = file_get_contents($filename);$res = array();preg_match('/<body>([\s\S]*?)<\/body>/', $file, $res);return $res[0];}
或者是：
<?php/*** 在html文件中找出正文* Created by PhpStorm.* User: Administrator* Date: 2016/11/15* Time: 21:43*/$filename = '8/index.html';$res = get_body_from_html($filename);var_dump($res);/*** 在html文件中找出正文* @param $filename string 路径url* @return array|bool*/function get_body_from_html($filename){if (!file_exists($filename)) {return false;}$file = file_get_contents($filename);$res = array();preg_match('/<body>(.*)<\/body>/s', $file, $res); //这一种方法也可以return $res[0];}
运行之后就没问题了：
string(280) "<body><div style="text-align:center;clear:both;"><script src="/follow.js" type="text/javascript"></script></div><div class='heart3d'><div class='rib1'></div><div class='rib2'></div><div class='rib3'></div><div class='rib4'></div></div></body>"
