本文介绍如何在 php 中通过字符串预处理结合正则匹配，跳过网页顶部广告区域，准确提取 `
` 开始、以 `
` 或 `
` 结束的有效商店区块。
在解析类似 ZAP.co.il 商品比价页 这类结构化但含干扰区块（如顶部广告商）的 HTML 时，单纯依赖 preg_match_all() 匹配 <div class="StoreLine"> 容易误抓广告区内容——因为广告与真实商店区块共享相同的起始标签。
关键思路不是“在正则中排除广告”，而是先定位并截取广告区之后的主体内容区域，再对干净子串进行精确匹配。观察目标页面 HTML 结构可知：广告区（前 N 个 .StoreLine）之后，紧跟着一个标志性容器 <div class="SortBy">，其后才是用户真正关心的非广告商店列表。
✅ 推荐做法（简洁、可靠、避免复杂正则回溯）：
// 1. 截断：只保留从 '.SortBy' 开始的后续 HTML（自动跳过所有广告区块）
$str = strstr($str, '<div class="SortBy">');
if ($str === false) {
throw new RuntimeException("无法定位 '.SortBy' 区域，可能页面结构已变更");
}
// 2. 在截取后的子串中，安全匹配每个完整商店区块
$pattern = '/<div\s+class="StoreLine">(.*?)<\/div>\s*?(?=<div\s+class="(SmartBuyButtons|BuyButtons)">)/is';
preg_match_all($pattern, $str, $matches, PREG_SET_ORDER);
// $matches 现在仅包含有效商店区块（含完整 HTML 内容）
foreach ($matches as $match) {
echo trim($match[1]); // 输出每个 .StoreLine 内部的 HTML 片段
}⚠️ 注意事项：
立即学习“PHP免费学习笔记（深入）”；
- 永远优先使用 DOM 解析器（如 DOMDocument + XPath）处理 HTML；正则仅适用于结构高度稳定、且无嵌套/动态渲染的场景。本例因 .StoreLine 块为扁平同级结构，且目标页无 JS 渲染干扰，可谨慎使用。
- 原正则 /...*?.../s 存在隐患：.*? 在跨标签时易受注释、JS 脚本或换行符影响；改用非贪婪捕获组 (.*) 并配合 (?=...) 正向先行断言更可控。
- 若需兼容大小写或空格变体（如 class = "StoreLine"），建议增强正则：/<div\s+class\s*=\s*["\']StoreLine["\']>(.*?)<\/div>/is。
- 实际生产环境应添加 libxml_use_internal_errors(true) 配合 DOMDocument::loadHTML() 做健壮性兜底。
总结：面对“跳过前 N 个同类区块”的需求，与其在正则中强行判断上下文（易错且难维护），不如利用 HTML 中稳定的语义锚点（如 .SortBy）做预分割——这既是性能更优的选择，也是符合 Web 抓取工程实践的稳健方案。
