使用正規表示式匹配巢狀Html標籤

概述

正規表示式是做文字解析工作必不可少的技能。如web伺服器日誌分析，網頁前端開發等。很多高階文字編輯器都支援正規表示式的乙個子集，熟練掌握正規表示式，經常能夠使你的一些工作事半功倍。例如統計**行數，只需乙個正則就搞定。巢狀html標籤的匹配是正規表示式應用中乙個比較難的話題，因為它涉及到的正則語法比較多，也比較難。因此也就更有研究的價值。思路

任何複雜的正規表示式都是由簡單的子表示式組成的，要想寫出複雜的正則來，一方面需要有化繁為簡的功底，另外一方面，我們需要從正則引擎的角度去思考問題。關於正則引擎的原理，推薦《mastering regular expression》中文名叫《精通正規表示式》。挺不錯的一本書。

ok，先確定我們要解決的問題——從一段html文字中找出特定id的標籤的innerhtml。

這裡面最大的難點就是，html標籤是支援巢狀的，怎麼能夠找到指定標籤相對應的閉合標籤呢？

我們可以這樣想，先匹配最前面的起始標籤，假設是div吧（。

我之所以能夠這樣去思考，是因為我了解過正則的特性，我知道正則中的平衡組能夠實現我剛才說的「堆疊」操作。所以，如果我們要編寫複雜正規表示式，需要對正則的一些高階特性至少有所了解，這樣我們思考問題才有個方向。實現

這裡假設我們要匹配的文字是一段合法的html文字。下面這段html**是從我的部落格上拷貝下來的，作為我們的測試文字。我們要匹配的就是footer這個div的innerhtml，同時把標籤名也捕獲下來。

topwordpress

theme by mg12.

valid xhtml 1.1

and css 3.

這裡我們需要借助expresso工具來構建和測試編寫的正規表示式。

匹配起始標籤

起始標籤特徵很好提取，以尖括號打頭，然後跟著一連串英文本母，然後一大串屬性中（非尖括號字元）匹配id（不區分大小寫）=footer。需要注意的是，footer可以被雙引號或者單引號包裹，也可以什麼都不加。正則如下：

<(?[\w]+)[^>]*\s[ii][dd]=(?["']?)footer(?(quote)\k)["']?[^>]*>

上面的正規表示式需要做幾點說明：

1. 《尖括號在正則中算是乙個特殊字元，在顯式捕獲分組中用它將分組名括起來。但是因為開頭的尖括號在此上下文下並不會出現解析歧義，因此加不加轉義符效果是一樣的。

2. (?regex)格式定義乙個命名分組，我們在上面定義了乙個htmltag的標籤分組，用來存放匹配到的html標籤名。quote分組是用來給後面的匹配使用的。

3. (?(groupname)then|else)是條件語句，表示當捕獲到groupname分組時執行then匹配，否則執行else匹配。上面的正則中，我們先嘗試匹配footer字串左邊的引號，並將其存入leftquote分組中，然後在footer右側進行條件解析，如果之前匹配到leftquote分組，那麼右側也應該批評leftquote分組。這樣一來，我們就能精確匹配id的各種情況了。

匹配閉合標籤

((?<\k[^>]*>)|>(?<-nested>)|.*?)*>

在成功匹配到起始標籤之後，後面的html文字可以分為三種情況：

a. 匹配到巢狀div起始標籤b. 匹配到巢狀div起始標籤的閉合標籤，這個時候，需要將之前的nested分組釋放

c. 其他任意文字。注意，需要使用.*?方式關閉貪婪匹配，否則最後的閉合標籤可能會過度匹配

使用(regex1|regex2|regex3)*這種方式，可以將幾個條件以或的形式組合起來，然後再取若干次匹配結果，最終再匹配閉合標籤。其中(?<-nested>)是表示釋放之前捕獲的nested分組。確切的語法是(?)即使用n分組替換掉m分組，如果n分組沒有指定或不存在，則釋放m分組。

update：前面過於側重分析了，最後沒有給出乙個完整的正則真是抱歉。

<(?[\w]+)[^>]*\s[ii][dd]=(?["']?)footer(?(quote)\k)
["']?[^>]*>((?<\k[^>]*>)|>(?<-nested>)|.*?)*>

上面這個正則能夠匹配任意id=footer的html標籤。

需要注意，此正規表示式需要設定singleline=true，這樣點號才可以把換行符也匹配進去。

對於domoxz 的問題，如果要匹配p標籤，那麼只需將上述的正則中的htmltag替換成p即可。

使用正規表示式匹配巢狀Html標籤

使用正規表示式匹配巢狀Html標籤

使用正規表示式匹配巢狀Html標籤

如何匹配巢狀Html標籤 正規表示式

相關推薦

如何匹配巢狀Html標籤正規表示式