regexps 또는 다른보다 효율적인 방법을 사용하여 일반 텍스트에서 정보 추출

Question

웹 페이지에서 HTML 태그를 제거하여 반환 된 일반 텍스트에서 데이터를 추출해야합니다. 태그는 표 형식의 데이터로 구성되었지만 표가 표 안에 중첩되고 표가 중첩되어 있으므로 태그가 제거되었습니다 (정말 못생긴 HTML 코드). (HTML 깔끔한로) 코드를 청소하고 태그를 제거 후, 사이트는이 같은 정보를 반환

Visitor ID :   123456789   HostName: 127.0.01     IP :  127.0.0.1  First Visit -> Entry Page :   First Visit Entry Page Title Example First Visit -> Referrer: http://somepage.com First Visit : 302 Day(s)    Last Visit :   09/23/2011   ISP: Initech   Country:  Some country Country:  Some  country Browser: Chrome Screen Res: Unknow 4 Billion colors (32 bit)   Javascript: Enabled  Page Views: 1  File Downloaded: 0  Daily Visits: 1 Visit Length: 0 minutes 0 seconds Entry Page: Entry page title Exit Page: Exit page title Referring URL: No 

(당신은 매우 긴 임의 혼란을 볼 수 있듯이) 내가 원하는

Visitor ID: 123456789 
HostName: 127.0.01 
IP: 127.0.01 
First Visit: 302 Day(s) 
First Visit -> Entry Page: First Visit Entry Page Title Example 
First Visit -> Referrer: http://somepage.com 
Last Visit: 09/23/2011 
ISP: Initech 
Country: Some country 
Country: Some country 
Browser: Chrome 
Screen Res: Unknow 4 Billion colors (32 bit) 
Javascript: Enabled 
Page Views: 1 
File Downloaded: 0 
Daily Visits: 1 
Visit Length: 1 minute(s) 26 second 
Entry Page: Entry page title 
Exit Page: Exit page title 
Referring URL: No 

추가 공백을 제거하고 데이터를 정렬하려고 현재 regexps를 사용하고 있습니다. 지금까지 거의 다음과 같이 작동합니다.

$patterns  = array("/HostName\s*:/", 
         "/IP\s*:/", 
         "/First\s+Visit\s+->\s+Entry\s+Page\s*:/", 
         "/First\s+Visit\s+->\s+Referrer\s*:/", 
         "/First\s+Visit\s*:/", 
         "/\bLast\s+Visit\s*:/", 
         "/\bISP\s*:/", 
         "/\bCountry\s*:/", 
         "/\bBrowser\s*:/", 
         "/\bScreen\s*Res\s*:/", 
         "/\bJavascript\s*:/", 
         "/\bPage\s+Views\s*:/", 
         "/\bFile\s+Downloaded\s*:/", 
         "/\bDaily\s+Visits\s*:/", 
         "/\bVisit\s+Length\s*:/", 
         "/\bEntry\s+Page\s*:/", 
         "/\bExit\s+Page\s*:/", 
         "/\bReferring\s+URL\s*:/", 
         "/\bFrom\s+Campaign\s*:/" ); 

$replacements = array("\nHostName:", 
         "\nIP:", 
         "\nFirst Visit -> Entry Page:", 
         "\nFirst Visit -> Referrer:", 
         "\nFirst Visit:", 
         "\nLast Visit:", 
         "\nISP:", 
         "\nCountry:", 
         "\nBrowser:", 
         "\nScreen Res:", 
         "\nJavascript:", 
         "\nPage Views:", 
         "\nFile Downloaded:", 
         "\nDaily Visits:", 
         "\nVisit Length:", 
         "\nEntry Page:", 
         "\nExit Page:", 
         "\nReferring URL:", 
         "\nFrom Campaign:" ); 
ksort($patterns); 
ksort($replacements); 

$fixed_text  = preg_replace ($patterns, $replacements, $ugly_mess); 

그러나 실제로는 예상대로 작동하지 않습니다. 일부 필드가 유사하고, 정규 표현식이 같은 결과 작동하지 않습니다 :

나는에 대한 제안이나 수정을 요구하고있어 그 이유는 내가 이것에 대해 잘못된 방향으로 갈 수

Visitor ID: 123456789 
HostName: 127.0.0.1 
IP: 127.0.0.1 
Last Visit: 302 Day(s) 
First Visit: 10 June 2010 
First Visit -> 
Entry Page: First Visit Entry Page Title Example 
First Visit -> Referrer: http://somepage 
.com 
ISP: Initech 
Country: Some Country 
Country: Some Country 
Browser: Chrome 
Screen Res: Unknow 4 Billion colors (32 bit) 
Javascript: Enabled 
Page Views: 1 
File Downloaded: 0 
Daily Visits: 1 
Visit Length: 1 minute(s) 26 second 
Entry Page: Entry page title 
Exit Page: Exit page title 
Referring URL: No 

현재 코드. 어떤 아이디어라도주세요?

Answer 1

대체 패턴을 사용하는 대신 일치 항목을 사용하면 어떻게됩니까? 자바 스크립트를 사용하고 있지만 쉽게 PHP로 다시 변경할 수 있습니다.

var pattern = "^(?:"; 
    pattern += "(?:Visitor\\s*ID\\s*:\\s*(\\d+)\\s*)"; 
    pattern += "|(?:HostName\s*:\\s*([^ ]+)\\s*)"; 
    pattern += "|(?:IP\\s*:\\s*([^ ]+)\\s*)"; 
    pattern += "|(?:First\\s*Visit\\s*->\\s*Entry Page\\s*:\\s*(.+?)\\s*(?=First\\s*Visit\\s*->))"; 
    pattern += "|(?:First\\s*Visit\\s*->\\s*Referrer\\s*:\\s*(.+?)\\s*(?=First\\s*Visit\\s*:))"; 
    pattern += "|(?:First\\s*Visit\\s*:\\s*(\\d+)\\s*Day\\(s\\)\\s*)"; 
    pattern += "|(?:Last\\s*Visit\\s*:\\s*(\\d+/\\d+/\\d+)\\s*)"; 
    pattern += "|(?:ISP\\s*:\\s*(.+?)\\s*(?=Country\\s*:))"; 
    pattern += "|(?:Country\\s*:\\s*(.+?)\\s*(?=(?:Country|Browser)\\s*:))"; 
    pattern += "|(?:Browser\\s*:\\s*(.+?)\\s*(?=Screen\\s*Res\\s*:))"; 
    pattern += "|(?:Screen\\s*Res\\s*:\\s*(.+?)\\s*(?=Javascript\\s*:))"; 
    pattern += "|(?:Javascript\\s*:\\s*(.+?)\\s*(?=Page\\s*Views\\s*:))"; 
    pattern += "|(?:Page\\s*Views\\s*:\\s*(\\d+)\\s*)"; 
    pattern += "|(?:File\\s*Downloaded\\s*:\\s*(\\d+)\\s*)"; 
    pattern += "|(?:Daily\\s*Visits\\s*:\\s*(\\d+)\\s*)"; 
    pattern += "|(?:Visit\\s*Length\\s*:\\s*((?:\\d+ (?:hours|minutes|seconds)\\s*)+))"; 
    pattern += ")+"; 
    var regex = new RegExp(pattern); 

    var content = readData().replace(/ /g, ""); 
    var match = content.match(regex); 
    echo("Visitor Id: " + match[1]); 
    echo("Hostname: " + match[2]); 
    echo("IP: " + match[3]); 
    // continue on...