使用php的curl根据关键词爬取百度搜索结果页 正则表达式匹配Html标签
http://bbs.csdn.net/wap/topics/390938327
查找所有的TD区域(最短):
<td\s*.*>\s*.*<\/td>
查找所有的TR:
<tr.*(?=>)(.|\n)*?</tr>
查找所有的TD:
<td.*(?=>)(.|\n)*?</td>
正则表达式匹配Html标签
例1.
以下是一段Html代码
<table boder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<table boder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表过式：<table.*(?=headline)
说明：正则表达式匹配表格开始标记，能够返回开始标记直至 “headline”之间的所有内容（换行除外）；
就是以上红色标示出来的部分。
原理：
<table //匹配的开始部分
.* //除换行外的所有字符
(?=headline) //零宽度正预测先行断言，匹配以 headline 结尾的单词的前面部分(除了 headline 以外的部分)
例2.
<table boder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<table boder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表达式：<table.*(?=headline)(.|\n)*?</table>
说明：匹配最长的以 <table width="11%" class=" 开始， 以</table>结束的字符串，就是以上以红色标示出来的
部分。
原理：
<table.*(?=headline) //参见记录1的说明
(.|\n) //指示在两个或多个项之间进行选择，(zlf)ood 与 "zood" 或 "food" 匹配
*? //应与上一个 (.|\n) 联合起来看, .*？ 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。
</table> //匹配的结束标记
注意：“(.|\n)”后面的 "*" 匹配 0 个到多个任意字符，而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。</table> 是表格的结束标记.
例3.
<tableboder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<tableboder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表达式：<(?<tag>[^\s>]+)[^>]*>(.|\n)*?</\k<tag>>
说明：匹配成对的HTML标签，它将会匹配Html标签及标签中的内容，本例分三段匹配三个<table>标签及</table>中的内容。
原理：
< //html标签中的 <
(?<tag>[^\s>]+) // (?<name>), 分组命名的方式，[^\s>]：非任何空白字符及“>”至少匹配一次
[^>]*> //非“>”匹配 0 到 n 次，及html的标签“>”.
(.|\n) //在两个或多个项之间时行选择，(zlf)ood 与 "zood" 或 "food" 匹配.
*? // 应与上一个(.|\n)联合起来看， .*？ 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。
</\k<tag>> //反向引用命名的组，语法为 \k<name>， 及html 标签“>”
注意：“(.|\n)”后面的 "*" 匹配 0 个到多个任意字符，而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。
本例使用了分组命名及反向引用命名组的概念。
正则表达匹配中文
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
1、先用js把中文转换16进制码：d.innerHTML = escape("你们"); 得到 %u4F60%u4EEC， 即 \u4F60\u4EEC
2、var arr = str.match(/\u4F60\u4EEC/g);
3、\u4F60为单个汉字“你”.
4、以上测试程序为javascript
查找所有的TD区域(最短):
<td\s*.*>\s*.*<\/td>
查找所有的TR:
<tr.*(?=>)(.|\n)*?</tr>
查找所有的TD:
<td.*(?=>)(.|\n)*?</td>
正则表达式匹配Html标签
例1.
以下是一段Html代码
<table boder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<table boder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表过式：<table.*(?=headline)
说明：正则表达式匹配表格开始标记，能够返回开始标记直至 “headline”之间的所有内容（换行除外）；
就是以上红色标示出来的部分。
原理：
<table //匹配的开始部分
.* //除换行外的所有字符
(?=headline) //零宽度正预测先行断言，匹配以 headline 结尾的单词的前面部分(除了 headline 以外的部分)
例2.
<table boder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<table boder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表达式：<table.*(?=headline)(.|\n)*?</table>
说明：匹配最长的以 <table width="11%" class=" 开始， 以</table>结束的字符串，就是以上以红色标示出来的
部分。
原理：
<table.*(?=headline) //参见记录1的说明
(.|\n) //指示在两个或多个项之间进行选择，(zlf)ood 与 "zood" 或 "food" 匹配
*? //应与上一个 (.|\n) 联合起来看, .*？ 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。
</table> //匹配的结束标记
注意：“(.|\n)”后面的 "*" 匹配 0 个到多个任意字符，而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。</table> 是表格的结束标记.
例3.
<tableboder="0" width="11%" class="somestory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
<table width="11%" class="headline">
<tr>
<td width="100%">
<p align="center">典经HTML正则表达式！</p>
</td>
</tr>
</table>
<tableboder="0" width="11%" class="someotherstory">
<tr>
<td width="100%">
<p align="center">其它内容...</p>
</td>
</tr>
</table>
正则表达式：<(?<tag>[^\s>]+)[^>]*>(.|\n)*?</\k<tag>>
说明：匹配成对的HTML标签，它将会匹配Html标签及标签中的内容，本例分三段匹配三个<table>标签及</table>中的内容。
原理：
< //html标签中的 <
(?<tag>[^\s>]+) // (?<name>), 分组命名的方式，[^\s>]：非任何空白字符及“>”至少匹配一次
[^>]*> //非“>”匹配 0 到 n 次，及html的标签“>”.
(.|\n) //在两个或多个项之间时行选择，(zlf)ood 与 "zood" 或 "food" 匹配.
*? // 应与上一个(.|\n)联合起来看， .*？ 就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。
</\k<tag>> //反向引用命名的组，语法为 \k<name>， 及html 标签“>”
注意：“(.|\n)”后面的 "*" 匹配 0 个到多个任意字符，而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。
本例使用了分组命名及反向引用命名组的概念。
正则表达匹配中文
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
1、先用js把中文转换16进制码：d.innerHTML = escape("你们"); 得到 %u4F60%u4EEC， 即 \u4F60\u4EEC
2、var arr = str.match(/\u4F60\u4EEC/g);
3、\u4F60为单个汉字“你”.
4、以上测试程序为javascript
