如何匹配嵌套Html标签(正则表达式)

最新推荐文章于 2024-07-28 14:13:07 发布

javazhuanzai

最新推荐文章于 2024-07-28 14:13:07 发布

阅读量823

点赞数

分类专栏： javame 文章标签：正则表达式 html regex nested 前端开发文本编辑

javame 专栏收录该内容

832 篇文章 0 订阅

订阅专栏

======================================================
注：本文源代码点此下载
======================================================

本文来自kevin yang博客作者:kevin yang

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(

。

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。

top

wordpress

theme by mg12.

valid xhtml 1.1

and css 3.

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:

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

上面的正则表达式需要做几点说明:

1. 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,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,那么右侧也应该批评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

((?[^>]*>)|>(?)|.*?)*>

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

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(?)是表示释放之前捕获的nested分组。确切的语法是(?)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。

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

["']?[^>]*>((?[^>]*>)|>(?)|.*?)*>

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替换成p即可。

======================================================
在最后，我邀请大家参加新浪APP，就是新浪免费送大家的一个空间，支持PHP+MySql，免费二级域名，免费域名绑定这个是我邀请的地址，您通过这个链接注册即为我的好友，并获赠云豆500个，价值5元哦！短网址是http://t.cn/SXOiLh我创建的小站每天访客已经达到2000+了，每天挂广告赚50+元哦，呵呵，饭钱不愁了，\(^o^)/