获取裁判文书案号问题的解决过程

在获取了裁判文书之后，我要从中获取一些关键的信息存入数据库，以便统计查询。案号当然是关键信息之一。我手头有的裁判文书是带有标签的，于是解决方案有两种：一种是通过dom解析标签获取数据，一种是直接用正则匹配内容。

刚开始的时候，我觉得裁判文书里面的存放案号的标签应该都是一样的，应该会有个id或者class，那么这个问题通过第一种方案：用dom去解析标签获取内容，很简单的就可以解决。但是，没有！啥也没有！而且存放案号的标签还不相同！有span，有div，还有font！作为一个官方的网站做得如此粗糙，简直不敢信！

然后，我就尝试着用第二种方法去解决，一个案件的案号一般都有固定的格式，比如：（2013）民二终字第12号。天真的我以为写个正则表达式就可以了，然后在测试的过程中我发现了，括号有可能是中文括号“（”也可能是英文括号“(",也有可能是没有”号“字，也有可能没有”第“字，于是我的正则表达式就写成了这样： 

   $preg = '/[〔（(]\d\s*\d\s*\d\s*\d*\s*[)）〕][\s\S]+字\s*[第]?[\s\S]*[号\s]/U';

再去匹配的时候，发现什么都能匹配到，这个方案也就泡汤了。

   这时，经过长时间的各种尝试与思考，还有桂子的帮组，得出一个新的方案：将文书里面的span、font标签替换成div，再用dom去解析div，得到一个数组，再用正则去匹配这个数组中的每个值，这样匹配的成功率就大幅提升，而正则表达式也可以写得十分简单：$preg = '/\d+.*号$/';到最后遇到一个终极问题，匹配之后会出现很多奇怪的空白符，怎么也去不掉。百度了一圈也没找到办法，\s\r\n\t\v之类的试了一个遍也没用，终于扛不住，今天早上的时候去问了涛哥，然后他用了1分钟就解决了，就是把那个空白符复制到代码里面，再用替换函数，我当时是感觉自己蠢蠢哒。。。 晚上回来，经过测试，这个问题终于得到完美解决。

   从周五到现在，3天3夜，问题终得到解决，这时我想起了一句歌词：解决问题的我眼泪掉下来。 

   最后，感谢桂子，感谢涛哥！