zoukankan      html  css  js  c++  java

  • !! 使用正则表达式匹配嵌套Html标签

    http://www.imkevinyang.com/2009/07/使用正则表达式匹配嵌套html标签.html

    概述

    正则表达式是做文本解析工作必不可少的技能。如Web服务器日志分析，网页前端开发等。很多高级文本编辑器都支持正则表达式的一个子集，熟练掌握正则表达式，经常能够使你的一些工作事半功倍。例如统计代码行数，只需一个正则就搞定。嵌套Html标签的匹配是正则表达式应用中一个比较难的话题，因为它涉及到的正则语法比较多，也比较难。因此也就更有研究的价值。

    思路

    任何复杂的正则表达式都是由简单的子表达式组成的，要想写出复杂的正则来，一方面需要有化繁为简的功底，另外一方面，我们需要从正则引擎的角度去思考问题。关于正则引擎的原理，推荐《Mastering Regular Expression》中文名叫《精通正则表达式》。挺不错的一本书。

    OK，先确定我们要解决的问题——从一段Html文本中找出特定id的标签的innerHTML。

    这里面最大的难点就是，Html标签是支持嵌套的，怎么能够找到指定标签相对应的闭合标签呢？

    我们可以这样想，先匹配最前面的起始标签，假设是div吧（<div），接着一旦遇到嵌套div，就“压入堆栈”，后面如果遇到div闭合标签了，就“弹出堆栈”。如果遇到闭合标签的时候，堆栈里面已经没有东西了，那么匹配结束，此结束标签为正确的闭合标签。

    我之所以能够这样去思考，是因为我了解过正则的特性，我知道正则中的平衡组能够实现我刚才说的“堆栈”操作。所以，如果我们要编写复杂正则表达式，需要对正则的一些高级特性至少有所了解，这样我们思考问题才有个方向。

    实现

    这里假设我们要匹配的文本是一段合法的Html文本。下面这段Html代码是从我的博客上拷贝下来的，作为我们的测试文本。我们要匹配的就是footer这个div的innerHTML，同时把标签名也捕获下来。

    <div style="background-color:gray;" id="footer">
    <a id="gotop" href="#" onclick="MGJS.goTop();return false;">Top</a>
    <a id="powered" href="http://wordpress.org/">WordPress</a>
    <div id="copyright">
        Copyright &copy; 2009 简单生活 —— Kevin Yang的博客
    </div>
    <div id="themeinfo">
        Theme by <a href="http://www.neoease.com/">mg12</a>. Valid <a href="http://validator.w3.org/check?uri=referer">XHTML 1.1</a>
        and <a href="http://jigsaw.w3.org/css-validator/">CSS 3</a>.
    </div>
</div>

    这里我们需要借助Expresso工具来构建和测试编写的正则表达式。

    匹配起始标签

    起始标签特征很好提取，以尖括号打头，然后跟着一连串英文字母，然后一大串属性中（非尖括号字符）匹配id（不区分大小写）=footer。需要注意的是，footer可以被双引号或者单引号包裹，也可以什么都不加。正则如下：

    <(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)footer(?(Quote)\k<Quote>)["']?[^>]*>

    上面的正则表达式需要做几点说明：

    1. <尖括号在正则中算是一个特殊字符，在显式捕获分组中用它将分组名括起来。但是因为开头的尖括号在此上下文下并不会出现解析歧义，因此加不加转义符效果是一样的。

    2. (?<GroupName>RegEx)格式定义一个命名分组，我们在上面定义了一个HtmlTag的标签分组，用来存放匹配到的Html标签名。Quote分组是用来给后面的匹配使用的。

    3. (?(GroupName)Then|Else)是条件语句，(?(Quote)\k<Quote>)["']?[^>]*>表示当捕获到GroupName分组时执行Then匹配，否则执行Else匹配。上面的正则中，我们先尝试匹配footer字符串左边的引号，并将其存入LeftQuote分组中，然后在footer右侧进行条件解析，如果之前匹配到LeftQuote分组，那么右侧也应该匹配LeftQuote分组。这样一来，我们就能精确匹配id的各种情况了。

    匹配闭合标签

    ((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>

    在成功匹配到起始标签之后，后面的Html文本可以分为三种情况：

    A. 匹配到嵌套div起始标签<div，这个时候，需要将其捕获到Nested分组。

    B. 匹配到嵌套div起始标签的闭合标签，这个时候，需要将之前的Nested分组释放

    C. 其他任意文本。注意，需要使用.*?方式关闭贪婪匹配，否则最后的闭合标签可能会过度匹配

    使用(RegEx1|RegEx2|RegEx3)*这种方式，可以将几个条件以或的形式组合起来，然后再取若干次匹配结果，最终再匹配闭合标签。其中(?<-Nested>)是表示释放之前捕获的Nested分组。确切的语法是(?<N-M>)即使用N分组替换掉M分组，如果N分组没有指定或不存在，则释放M分组。

    update：前面过于侧重分析了，最后没有给出一个完整的正则真是抱歉。

    <(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)footer(?(Quote)\k<Quote>)["']?[^>]*>

    上面这个正则能够匹配任意id=footer的html标签。

    需要注意，此正则表达式需要设置SingleLine=true，这样点号才可以把换行符也匹配进去。

    对于domoxz 的问题，如果要匹配p标签，那么只需将上述的正则中的<(?<HtmlTag>[\w]+)替换成<(?<HtmlTag>p)即可。

    update：上述正则没有考虑到闭合标签的问题。修正之后的完整正则如下：

    <(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)footer(?(Quote)\k<Quote>)["']?[^>]*(/>

    |>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>> )

    前半部分是起始标签,后半部分是闭合标签

    ——Kevin Yang

     下面同时列出了常见的 HTML标签 http://see.xidian.edu.cn/cpp/html/1439.html

    正则表达式
    <(\S*?) [^>]*>.*?</\1>|<.*? />
    匹配 <html>hello</html>|<a>abcd</a>
    不匹配 abc|123|<html>ddd
    正则表达式
    ^[^<>`~!/@\#}$%:;)(_^{&*=|'+]+$
    匹配 This is a test
    不匹配 <href = | <br> | That's it
    正则表达式
    &lt;!--.*?--&gt;
    匹配 &lt;!-- &lt;h1&gt;this text has been removed&lt;/h1&gt; --&gt; | &lt;!-- yada --&gt;
    不匹配 &lt;h1&gt;this text has not been removed&lt;/h1&gt;
    正则表达式
    (\[(\w+)\s*(([\w]*)=('|&quot;)?([a-zA-Z0-9|:|\/|=|-|.|\?|&amp;]*)(\5)?)*\])([a-zA-Z0-9|:|\/|=|-|.|\?|&amp;|\s]+)(\[\/\2\])
    匹配 [link url=&quot;http://www.domain.com/file.extension?getvar=value&amp;secondvar=value&quot;]Link[/li
    不匹配 [a]whatever[/b] | [a var1=something var2=somethingelse]whatever[/a] | [a]whatever[a]
    正则表达式
    href=[\"\'](http:\/\/|\.\/|\/)?\w+(\.\w+)*(\/\w+(\.\w+)?)*(\/|\?\w*=\w*(&\w*=\w*)*)?[\"\']
    匹配 href="www.yahoo.com" | href="http://localhost/blah/" | href="eek"
    不匹配 href="" | href=eek | href="bad example"
    正则表达式
    &quot;([^&quot;](?:\\.|[^\\&quot;]*)*)&quot;
    匹配 &quot;This is a \&quot;string\&quot;.&quot;
    不匹配 &quot;This is a \&quot;string\&quot;.
    正则表达式
    (?i:on(blur|c(hange|lick)|dblclick|focus|keypress|(key|mouse)(down|up)|(un)?load|mouse(move|o(ut|ver))|reset|s(elect|ubmit)))
    匹配
     
    onclick | onsubmit | onmouseover
    不匹配 click | onandon | mickeymouse
    正则表达式
    (?s)/\*.*\*/
    匹配 /* .................... */ | /* imagine lots of lines here */
    不匹配 */ malformed opening tag */ | /* malformed closing tag /*
    正则表达式
    <(\S*?) [^>]*>.*?</\1>|<.*? />
    匹配 <html>hello</html>|<a>abcd</a>
    不匹配 abc|123|<html>ddd
    正则表达式
    \xA9
    匹配 ©
    不匹配 anything
    正则表达式
    src[^&gt;]*[^/].(?:jpg|bmp|gif)(?:\&quot;|\')
    匹配 src=&quot;../images/image.jpg&quot; | src=&quot;http://domain.com/images/image.jpg&quot; | src='d:\w
    不匹配 src=&quot;../images/image.tif&quot; | src=&quot;cid:value&quot;
    正则表达式
    /\*[\d\D]*?\*/
    匹配 /* my comment */ | /* my multiline comment */ | /* my nested comment */
    不匹配 */ anything here /* | anything between 2 seperate comments | \* *\
    正则表达式
    <[a-zA-Z]+(\s+[a-zA-Z]+\s*=\s*("([^"]*)"|'([^']*)'))*\s*/>
    匹配 <img src="test.gif"/>
    不匹配 <img src="test.gif"> | <img src="test.gif"a/>
  • 相关阅读:
    JavaScript常用单词整理总结
    花了100多去KTV不是唱歌，竟然是……
    当你左右看看没有发现我时，千万千万别往看……
    winform分页案例简单实现方式~
    来自一位家长的肺腑之言，句句在理！！！
    “小朋友”们节日快乐呀~
    你在学校我安排了你没有做到最多凶你一顿，在公司不一样，直接得让走人！...
    你也可以做一个简易抽奖程序！
    不好意思，你这个加分理由不行……
    【RocketMQ】客户端源码解析
  • 原文地址：https://www.cnblogs.com/carl2380/p/2830576.html
Copyright © 2011-2022 走看看