regexp utf8

[keiG]

$preg='/<h2><a href="(.*)">([^>]*)<\/a><\/h2>/iu';

$from='<h2><a href="anything here">Ā b čc ļāļāā</a></h2>'

preg_match_all($preg, $from, $matches);

bez mīkstinājumiem darbojās lieliski, bet ar - neatgriež rezultātu.

Ir kādi varianti?

[daGrevis]

Neparsē HTML ar regexiem.

[Džei]

http://simplehtmldom.sourceforge.net/ šis Tev palīdzēs ;)

[l27]

Korekti būu:

$preg='#<h2><a href="([^"]*)">([^>]*)</a></h2>#';

$from='<h2><a href="anything here">Ā b čc ļāļāā</a></h2>'

preg_match_all($preg, $from, $matches);

 

Neesmu mēģinājis ar modifieriem. Parasti vispirms normalizēju visus html tagus un kreisos simbolus. Tad nav jāuztraucas mazie, lielie.

Rezultātu var redzēt l2d.lv, kur ir apstrādāti likumi.lv akti ar regulārajām izteiksmēm.

[draugz]

Neparsē HTML ar regexiem.

Viss atkarīgs no situācijas, ja zini ka lapas kodam apakšā ir kāds XSLT veidīgs template engins, kas outputu vienmēr spēs izveidot XHTML veidā, tad neredzu problēmas parsēt html :)

[v3rb0]

php joprojām nav utf8 atbalsta visur un vajag pašiem žonglēt starp unikodu un single byte čaraktersetu?

[daGrevis]

Unicode visur ir pain in the arse.

[keiG]

Paldies! Jau ieķēru PHP Simple HTML DOM Parser