除了XHTML自包含标记之外，RegEx匹配开放标记

Question

我需要匹配所有这些开始标记：<p><a href="foo">但不是这些：<br /><hr class="foo" />我想出了这个，并希望确保我做对了。我只抓住了a-z。<([a-z]+) *[^/]*?>我相信它说：找一个小于，然后然后，查找（并捕获）az一次或多次然后找到零个或多个空格找到任何字符零次或多次，贪婪/，然后找到一个大于我有这个权利吗？更重要的是，你怎么看？

Answer 1

虽然确实要求正则表达式解析任意 HTML就像要求初学者编写操作系统一样，但有时候解析一组有限的已知 HTML 也是合适的。

如果您有一小组HTML页面要从中抓取数据然后填充到数据库中，则正则表达式可能正常工作。例如，我最近想获得澳大利亚联邦代表的名称，政党和地区，我从议会的网站上获取了这些名称，政党和地区。这是一项有限的一次性工作。

正则表达式对我来说效果很好，设置速度非常快。

Answer 2

我认为这里的缺陷是HTML是Chomsky Type 2语法（无上下文语法），RegEx是Chomsky Type 3语法（常规语法）。由于Type 2语法从根本上比Type 3语法更复杂（参见Chomsky层次结构），因此在数学上不可能使用RegEx解析XML。

但许多人会尝试，有些人甚至会声称成功 - 但直到其他人发现错误并完全搞砸了你。

Answer 3

不要听这些家伙。如果你将任务分解成更小的部分，你完全可以使用正则表达式解析无上下文的语法。您可以使用脚本生成正确的模式，该脚本按顺序执行以下每个操作：

1. 解决停机问题。

2. 方圆。

3. 计算O（log n）或更少的旅行商问题。如果它不止于此，你将耗尽RAM并且引擎将挂起。

4. 模式将非常大，因此请确保您有一个无损压缩随机数据的算法。

5. 几乎就在那里 - 将整个事物除以零。十分简单。

我自己还没完成最后一部分，但我知道我已经接近了。CthulhuRlyehWgahnaglFhtagnException由于某种原因，它一直在抛出s，所以我要将它移植到VB 6并使用On Error Resume Next。一旦我调查刚刚在墙上打开的这扇奇怪的门，我就会用代码更新。嗯。

PS Pierre de Fermat也想出了如何做到这一点，但他写的边距不足以代码。

Answer 4

这是我使用（！）匹配HTML标记的正则表达式：

<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+>

它可能不完美，但我通过大量 HTML 运行此代码。请注意，它甚至会捕获<a name="badgenerator"">出现在网络上的奇怪内容。

我想让它与自包含的标签不匹配，你要么想要使用Kobi的负面后卫：

<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+(?<!/\s*)>

或者只是组合，如果没有。

对于downvoters：这是来自实际产品的工作代码。我怀疑读这个页面的人会得到这样的印象：在HTML上使用正则表达式是社会可接受的。

警告：我应该注意，在CDATA块，注释，脚本和样式元素存在的情况下，这个正则表达式仍然存在故障。好消息是，你可以摆脱使用正则表达式的人...

Answer 5

我建议使用QueryPath在PHP中解析XML和HTML。它与jQuery的语法基本相同，只是在服务器端。