Я уже несколько раз сталкивался с этой проблемой, когда пытался выполнить очистку html с помощью php и функций preg*.
Большую часть времени мне приходится захватывать такие структуры:
<!-- comment -->
<tag1>lorem ipsum</tag>
<p>just more text with several html tags in it, sometimes CDATA encapsulated…</p>
<!-- /comment -->
В частности, я хочу что-то вроде этого:
/<tag1>(.*?)<\/tag1>\n\n<p>(.*?)<\/p>/mi
но \n\n не похоже, что это сработает.
Есть ли общий выключатель линии?
Я думаю, вы могли бы заменить \n\n на (\r?\n){2} таким образом, чтобы вы захватили пару CRLF, а не только символ LF.
Вы уверены, что хотите анализировать HTML с помощью регулярных выражений? HTML не является регулярным, и в нем слишком много угловых случаев.
Я бы исследовал какую-нибудь форму синтаксического анализатора HTML (возможно, этот ?), а затем идентифицировал шаблон, который вы интересует через возвращенную структуру данных HTML.
Или вы можете посмотреть расширение Dom для php. У него есть функция для загрузки html из строки или файл. Затем вы можете использовать методы php dom для обхода dom и поиска интересующих вас данных.
