Почему Preg_match_all возвращает пустой массив?

Question

[doodoser]

Добрый вечер, пытаюсь написать парсер, через cURL беру страницу (все нормально, страницу полностью забирает)

потом я хочу с помощью регулярки вытянуть все ссылки на новости вот код:

preg_match_all("/<div class=\"article\">.*href=\"(.*)\">/U", $html, $links);

Регулярку писал на сайте https://regex101.com, там регулярка работает, но в коде выводит пустой массив.

Comments

[Евгений Ромашкан]

Это очень плохая идея парсить html регулярками

[doodoser]

Евгений Ромашкан, могу через simple html dom, но все равно нужно регуляркой отрезать отрезать больше пол страницы что бы не грузить комп..... а регулярки вот совсемне работают...
можете подсказать в чем здесь проблема?

[Евгений Ромашкан]

doodoser, Не думаю что DOM парсеры загрузят комп сильнее регулярок, но использовать в любом случае нужно их.
Если хотите более конкретных ответов - киньте адрес страницы которую получаете curl`ом.
Ломаться может на вложенных тегах или переносах строк.

[doodoser]

Евгений Ромашкан, вот страница: https://www.pravda.com.ua/rus/news/

[Евгений Ромашкан]

doodoser, У вас регулярка ищет div class="article", а на странице у этого div`а всегда несколько классов
Как минимум div class="article article_highlight"
и div class="article article_add-highlight
Так что, думаю всё же регулярками не обоётись : )

[doodoser]

Евгений Ромашкан, только что убил свой комп парсером simple html dom (он оооочень много памяти есть, по этому и не хотел его юзать)
вы смотрите на верхний блок, там где 6 новостей, а мне нужен не тот блок, мне нужен блок "все новости", там статья имеет два вида классов

<div class="article article_bold">
<div class="article ">

и все, для начала я хочу достать регуляркой все ссылки из <div class="article ">
и потом таким же образом из <div class="article article_bold">
но регулярка работает в regexp101.com а в коде не работает...

[Евгений Ромашкан]

doodoser, Но там <div class="article__title">

[doodoser]

Евгений Ромашкан,

<div class="article">
    <div class="article__time">
        22:57
    </div>
<div class="article__title">
    <a href="https://www.eurointegration.com.ua/rus/news/2018/07/13/7084390/" target="_blank">Трамп: аннексия Крыма - это катастрофа Обамы
</a>
</div>
<div class="article__subtitle">
Президент США Дональд Трамп назвал аннексию Крыма катастрофой своего предшественника Барака Обамы, отметив, что это одна из проблем, которые перешли в наследство и которые он пытается уладить.</div></div>

мне нужно только

<div class="article__title">
    <a href="https://www.eurointegration.com.ua/rus/news/2018/07/13/7084390/" target="_blank">Трамп: аннексия Крыма - это катастрофа Обамы
</a>

а если еще точнее то только href ссылки, и все

[Евгений Ромашкан]

doodoser, Вот, не работает ваша регулярка: https://regexr.com/3se3k
На переносе строки ломается из-за точки(точка обозначает любой символ кроме переноса строки)
C переносом строки можно .* заменить на (.|\n)*

[doodoser]

Евгений Ромашкан, потому что нужно указать флаг U (жадная загрузка)

[Евгений Ромашкан]

doodoser, Жадная загрузка не об этом. знак точки учитывает "любой символ кроме переноса строки", и флаги тут не причем
Вот с флагом: https://regex101.com/r/wIGQPZ/1

[doodoser]

Евгений Ромашкан, <div class=\"article\">.*href=\"((.|\n)*)\">
так?
не работает
добавил флаги /<div class=\"article\">.*href=\"((.|\n)*)\">/isU
то получилось что снова на сайте работает а в скрипте нет

[Евгений Ромашкан]

doodoser, У вас после div'а .* , а ссылка на следующей после div строке
Вот ваша регулярка новая - https://regex101.com/r/wIGQPZ/3 . Не работает же

Answer 1

[doodoser]

все, вывел, нужно было в переменную запихнуть массив который отдает preg_match_all

Answer 2

[Павел Корнилов]

Вот то, что нужно, IMHO - https://github.com/Imangazaliev/DiDOM

Comments

[doodoser]

я не очень умею этим парсером или библеотекой пользыватся, я знаю что для экономии памяти нужно обрезать страницу по максимуму (но регулярки не срабатывают, на regex101.com регулярка работает а в скрипте нет), так вот я только что убил свой ноут когда попробовал через эту библеотеку написать

[Павел Корнилов]

doodoser, убил ноут? Это не возможно, либа довольно известная, подобных нареканий ещё не было.
Нужно искать проблему где-то в другом.

[doodoser]

KorniloFF, там большая страница.... и у меня просто памяти не хватило

[Павел Корнилов]

doodoser, так на использование памяти в конфиге локального/реального сервера ограничения ставятся.
Либо в php.ini

Answer 3

[Dimonchik]

href="([^"]+)"

Comments

[doodoser]

не помогло(

[Dimonchik]

ну тут-то работает
regex101.com

ищи что не так с файлом когда скачиваешь

[doodoser]

dimonchik2013, все так.... я смотрел... в исходном коде находит эти классы....