regexp - due problemi con stringhe

[l'evangelista]

Ciao, ho due problemi con le espressioni regolari (sempre che sia possibile usarle in questi casi)

1) Ipotizzando questo codice html

<div id="notizia">
     <div id="data">11 gennaio 2009</div>
     <div id="testo">testo della notizia</div>
</div>
<div id="separatore"></div>

posso catturare tutto il contenuto del div "notizia"?
Se provo <div [^>]*>.*</div> ovviamente viene catturato tutto fino al </div> di separatore


2) Dovrei cercare un tag che delimita un testo (ben preciso) in un file. Esempio:

<div id="notizia">
     <div id="data">11 gennaio 2009</div>
     <div id="testo">testo della notizia </div>
</div>
<div id="separatore"></div>

io conosco solo "testo della notizia" e da qui dovrei risalire a "<div id="testo">".
Il problema è che nell'html c'è il [b] di mezzo..
Di contro neanche posso usare striptags perchè il tag precedente mi serve (e a priori non so se sia un div, un td, uno span)
E' possibile far qualcosa o mi conviene scrivere un parser?

[filippo.toso]

$pattern = '#<div id="notizia">(.*?)</div>\\\s*<div id="separatore">#si'; 

Per il secondo, utilizza TIDY + DOM.

[l'evangelista]

no scusa filippo, mi son spiegato male.
la tua soluzione va bene se c'è un separatore ben preciso.

pero se la struttura fosse questa

<div id="notizia">
     <div id="data">11 gennaio 2009</div>
     <div id="testo">testo della notizia</div>
     <div id="separatore"></div>
</div>
<div id="separatore"></div>

l'espressione fallirebbe.
Volevo sapere se è possibile catturare tutto quello che è compreso tra due tag <div></div>, anche se dentro a questi, a loro volta, si aprono e si chiudono altri div.

[filippo.toso]

In futuro, posta le tue richieste con maggior attenzione onde evitare di far perdere tempo agli altri utenti del forum.

Se devi vuoi poter lavorare a livello di tag senza problemi di "innesti", utilizza TIDY + DOM, TIDY + SAX oppure utilizza una classe parser per l'HTML.

[k.b]

Incuriosito dal problema (non ho mai fatto parsing del genere) ho provato ma senza successo, nel senso che non sono riuscito ad estrarre il contenuto del div#notizia cosi' com'e' con tutti i tag interni.

<?php
$str = '<div id="notizia">
     <div id="data">11 gennaio 2009</div>
     <div id="testo">testo della notizia</div>
</div>
<div id="separatore"></div>';

$dom = new DOMDocument;
$dom->loadHTML($str);
$divs = $dom->getElementsByTagName('div');
echo $divs->item(0)->nodeValue;
?>

restituisce il contenuto ma senza i div#data e div#testo

<?php
$str = '<div id="notizia">
     <div id="data">11 gennaio 2009</div>
     <div id="testo">testo della notizia</div>
</div>
<div id="separatore"></div>';

$tidy = tidy_parse_string($str, array('output-xml' => true));
$tidy->cleanRepair();
$xml = new SimpleXMLElement($tidy);
print_r($xml);
?>

anche qui i div interni sembrano persi.