Как составить регулярку на PHP?

Question

[Иван Ноунэйм]

Мне нужно получить все теги h1-h6 с веб страницы, причем именно в той последовательности в которой они на странице, а не отдельно h1, отдельно h2 итд

Сейчас я использую вот такую регулярку:

preg_match_all('{<h[0-6][^>]*>(.*?)</h[0-6]>}', $mytext, $matches, PREG_PATTERN_ORDER);

Но... Почему то она спотыкается на вот этой странице: xn----7sbf0aammwj1fq8g.xn--p1ai

Помогите пожалуйста добработать регулярку чтобы она работала на всех страницах включая вышеназванную

Comments

[eternalfire]

почему бы не использовать вместо регулярок DOM и XPath?

Answer 1

[PrAw]

1. не используйте регулярки для HTML. Есть огромное количество решений на базе DOM, css selector, xpath
2. Скорей всего регулярка ломается на этом:

<h4 class="textable">
  <h1 style="text-align: center;">
    ...
  </h1>
</h4>

И как, по Вашему мнению, это надо обрабатывать? Причем такая вложенность способна поломать логику и некоторым рекурсивным парсерам.

<(h[1-7])[^>]*>(.*?)<\/\1>
Вариант регулярки, которая ссылается на найденное название тэга, чтобы искать именно такой же закрывающий тэг.

Скорей всего можно сделать регулярку, которая захватит при этом внутренний заголовок, но она будет уже слишком сложная.

Comments

[batyrmastyr]

И самое неожиданное: регулярка будет медленнее прохода по DomDocument + XPath

Answer 2

[Yan-s]

Как уже посоветовали - никаких регулярок.
А из библиотек предложу https://github.com/Imangazaliev/DiDOM