解析HTML正则表达式

最新推荐文章于 2021-05-31 04:17:01 发布
最新推荐文章于 2021-05-31 04:17:01 发布
阅读量7.9k 收藏 1
点赞数
分类专栏： PHP/DHTML/Other 文章标签： html 正则表达式 string regex perl php
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/heiyeshuwu/article/details/740232
版权

 

//把所有HTML标签找出来

哈哈，继 昨天的那个正则表达式 之后又写了一个更长的Regular Expression，全长527，是用于查找出所有的XHTML/HTML的标记外面的所有空格，并将之转换为 的。 希望这个能够解决dudu提的一个cnblogs的bug：）即使不能解决问题也算是对System.Text.RegularExpression.Regex的一个练笔了：）

(?:(?:/<(?:Style)(?:/s+(?:[/w-]+)(?:=(?:[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)(?:[/s/S]*?)(?:/</(?:Style)/>))|(?:(?:/<(?:script)(?:/s+(?:[/w-]+)(?:=(?:[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)(?:[/s/S]*?)(?:/</(?:script)/>))|(?:/<!(?:[/w-]+)(?:/s+(?:[/w-]+|/"[/s/S]*?/"|/'[/s/S]*?/'))*/s*/>)|(?:/<!--[/s/S]*?--/>)|(?:/<(?:[/w-]+)(?:/s+(?:[/w-]+)(?:=(?:[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)|(?:/</(?:[/w-]+)/>)|(?:/<!/[CDATA/[(?:[/s/S]*?)/]/]/>)|(?:(?:(?<blank>[ ]+)|[^ /</>])+)

再给个更长的（全长765）正则表达式，这个算是我写的最长的正则表达式了。其实上面给出的第一个Regex是下面这个的一个专用于捕获blank的简化版本。
虽然长，但很有用，可以解析出整个XHTML/HTML页面的所有元素和结构来：）解析后的内容都分别保存在named groups中了，可以通过match.Groups["name"];来提取，比如match.Groups["tag"];match.Groups["attribute"];match.Groups["Style_Block";match.Groups["XML_Comment"];等，感兴趣的不妨试一试就知道了：）

(?#Copyright 2005, by Laser Lu.)(?<Style_Block>(?<begin>/<(?<tag>style)(?:/s+(?<attribute>[/w-:]+)(?:=(?<value>[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)(?<body>[/s/S]*?)(?<end>/<//k<tag>/>))|(?<Script_Block>(?<begin>/<(?<tag>script)(?:/s+(?<attribute>[/w-:]+)(?:=(?<value>[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)(?<body>[/s/S]*?)(?<end>/<//k<tag>/>))|(?<XML_Directive>/<!(?<name>[/w-:]+)(?:/s+(?<argument>[/w-:]+|/"[/s/S]*?/"|/'[/s/S]*?/'))*/s*/>)|(?<XML_Comment>/<!--[/s/S]*?--/>)|(?<Beginning_Tag>/<(?<tag>[/w-:]+)(?:/s+(?<attribute>[/w-:]+)(?:=(?<value>[^/s/>/<]*|/"[/s/S]*?/"|/'[/s/S]*?/'))?)*/s*(?:/)?/>)|(?<Ending_Tag>/</(?<tag>[/w-:]+)/>)|(?<XML_CDATA>/<!/[CDATA/[(?<data>[/s/S]*?)/]/]/>)|(?<XML_Literal>(?:(?<blank>[ ]+)|[^ /</>])+)

关于以上的两个Regex的相关说明，应该说功能还是比较强大的了：
1。这两个正则表达式能够解析最好是HTML/XHTML格式，如果是其他格式的字符串，有可能会运行不正常；
2。支持识别的标记有：普通的HTML标记，<!--HTML注释-->，<!XML指令>，<![CDATA[ ... ]]>，标记或指令的标识符支持[a-zA-Z0-9_-:]；
3。支持name=value和单独一个name的attribute，能够识别出""或''包括的属性值；
4。针对<style></style>和<script></script>标记包含的内容进行特殊处理，也就是所有的CSS和Script代码将原封不动的作为整体捕获。

 

//非htmt标记中的空格转换成“&nbsp;”

正则表达式代码如下：
              

public static string ReplaceSpace( string content)
{
string findstr = " (?<fore>(?:(?:[^< ])*(?:<(?:!--(?:(?:[^-])*(?:(?=-->)|-))*--|(?:[^>])+)>)?)*)[ ](?<back>(?:(?:[^< ])*(?:<(?:!--(?:(?:[^-])*(?:(?=-->)|-))*--|(?:[^>])+)>)?)*) " ;
string replacestr = " ${fore}&nbsp;${back} " ;
string targetstr = System.Text.RegularExpressions.Regex.Replace(content,findstr,replacestr,System.Text.RegularExpressions.RegexOptions.IgnoreCase);
return targetstr;
}


    这个正则表达式是一位朋友提供的，主要功能是将字符串中非htmt标记中的空格转换成“&nbsp;”, 目前我还没查出这个正则表达式中的问题，请熟悉正则表达式的朋友指点。

 

//获取URL

string regex="href=[///"///'](http://|//.///|///)?//w+(//.//w+)*(/w+(//.//w+)?)*(///|//?//w*=//w*(&//w*=//w*)*)?[///"///']";


preg_match_all('/<a.*?(?: |//t|//r|//n)?href=[/'"]?(.+?)[/'"]?(?:(?: |//t|//r|//n)+.*?)?>(.+?)<//a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);

//PHP正则相关文章

黑夜路人
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Java正则表达式详解+基于HTMLParser解析HTML网页
08-02
如何在Java程序中利用正则表达式实现对字符串的解析.另外,HTMLParser是一款很强大的对HTML网页进行解析的工具,其中大量地用到正则表达式.
常用正则表达式HTML,JAVA合集
10-18
在这个“常用正则表达式HTML,JAVA合集”中，我们主要关注的是HTML和Java环境下的正则表达式应用。 1. **HTML中的正则表达式**： 在HTML中，正则表达式通常用于表单验证，例如输入字段（如邮箱、电话号码、手机号码...
正则表达式解析html
pizekerwen的专栏
09-30 523
来源于网络，java正则表达式过滤html文档，仅作参考： public String HtmlToTextGb2312(String inputString ) { String htmlStr = inputString; //含html标签的字符串 String textStr =""; Pattern p_script; Matcher m_script; P...
用正则表达式分析HTML
castellan的专栏
05-03 1912
我们可以用现成的很多工具来解析HTML。但我想如果能用正则表达式来做一些先期处理， 剪裁掉不必要的内容或者抽取出必要的内容。这样也许可以获得更高的效率。当然使用正则表达式是否能获得更高的效率，这一点恐怕还不能得到验证。我想还是先做些具体的事情，效率的问题我们可以慢慢考证。1. 获取图片的源地址：(?si)]这个表达式不是抽取完整的标签。因为我们只关心img 标签中的 src 属性，
解析HTML正则
小影
07-17 3181
  如例： /&lt;\s*(\S+)(\s[^&gt;]*)?&gt;[\s\S]*&lt;\s*\/\1\s*&gt;/ 想要看懂正则表达式，最好的办法是一步一步解析： 1）、先从'[\s\S]*'为分界点，前面的内容可以划分为'&lt;\s*(\S+)(\s[^&gt;]*)?&gt;'。     '\s'表示匹配任何空白字符，包括空格、制表符、换页符等等，等价于'[\f\n\r\...
通过正则表达式解析HTML入门指南
super__dreamer的博客
11-15 2025
一个完整的HTML网页通常是由很多标签组成的,通过正则表达式我们可以筛选出我们想要的内容。一般我们利用正则表达式来获取标签中的内容或者属性值，获取到内容和属性值之后，我们还可以利用正则表达式进一步获取想要的内容。 python中使用正则表达式解析HTML的步骤： 首先需要引入re模块 根据所要获取的内容或者属性值定义一个正则表达式 利用re库提供的方法获取满足所定义的正则表达式的内容或属性值 下面是
Java正则表达式提取html纯文本
12-22
整个过程就是通过正则表达式解析HTML，提取出纯文本内容。需要注意的是，这个正则表达式可能无法处理复杂的HTML结构，比如嵌套标签、自闭合标签等。对于更复杂的HTML，可能需要使用HTML解析库，如Jsoup，它能提供更...
易语言总使用正则表达式实例解析
08-26
易语言总使用正则表达式实例解析 易语言是一种基于Visual Basic Scripting Edition（VBScript）的脚本语言，广泛应用于自动化、游戏开发、爬虫等领域。正则表达式是易语言中一个非常重要的组件，用于匹配、搜索、...
Java基于正则表达式获取指定HTML标签指定属性值的方法
08-31
除了使用正则表达式外，还有其他方法来解析HTML，例如使用JSOUP、DOM解析器或HTML Cleaner等第三方库。然而，正则表达式在某些简单场景下可能更直观、更简洁。 在开发过程中，使用正则表达式测试工具能够帮助调试和...
java正则表达式匹配网页所有网址和链接文字的示例
09-04
- 网页解析和正则表达式匹配通常只能处理简单的HTML结构，对于复杂的HTML或XML文档，可能需要使用更强大的解析库，如Jsoup或DOM解析器。 - 对于URL的处理，应该考虑编码问题，确保URL的正确性。 - 这个示例没有...
正则解析html
06-30
正则解析html
正则表达式解析HTML,code
iteye_4657的博客
04-11 118
public class HTMLBean&lt;T&gt; { private String eleName;//元素名称 private int eleCount;//元素个数 private String result;//元素值 private Map&lt;String,T&gt; attribute;//元素属性 public String getResu...
正则 解析html,正则表达式解析HTML
weixin_36480721的博客
05-31 293
尝试这样的事情：Description:([^以下是如何使用它的示例：using System;using System.Text.RegularExpressions;class Example{static void Main(){String str = @"Job Title: Test textJobId: 56565-116503City: San DiegoState: CAZip ...
HTML解析之一：正则表达式
zhang__init__的博客
10-21 1545
一：入门小例子 \bwe\b匹配we \b 是元字符，不代表空格，标点符号，换行，只是用来匹配位置 . 元字符，匹配除换行符的任意字符 * 元字符，匹配数量 .* 匹配任意数量的不换行字符 二：常用元字符 四种作用：匹配字符，匹配位置，匹配数量，匹配模式 . 匹配除换行符的任意字符 \b 匹配单词的开始或结束 \d 匹配数字 \w 匹配字母，数字，下划线或汉字 \s 匹配任意空白符，包括空格
HTML5开发入门学习之正则表达式知识解析
qq_43444478的博客
03-11 264
　　移动互联网已占据整个互联网领域的半壁江山，而HTML5凭借其跨平台的特性当之无愧的成为移动互联网新一代的核心技术。很多人想通过参加专业的学习快速积累理论知识和实战经验，下面就来给大家讲解一下HTML5基础培训中正则表达式的相关知识。 　　什么是正则表达式? 　　正则表达式(在代码中常简写为regex、regexp或RE)，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串和特殊字符操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个
html中如何使用正则表达式,如何使用正则表达式解析此HTML？
weixin_42149145的博客
05-30 356
或者你可以这样做：$html = <<URL1This is Url-2This is Url-3Sweet URL 4HTML;$xml = new DOMDocument();@$xml->loadHTML($html);$links=array();$i=0;//Get all divsforeach($xml->getElementsByTagName('div')...
常用正则表达式爬取网页信息及分析HTML标签总结
热门推荐
chaowanghn的博客
02-05 1万+
见链接 https://yq.aliyun.com/articles/26026摘要： 这篇文章主要是介绍Python爬取网页信息时，经常使用的正则表达式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~ 当然如果会Selenium基于自动化测试爬虫、BeautifulSoup分析网页DOM节点，这就更方便了，但本文更多的是介绍基于正则的底层爬取分析。
正则表达式去除HMTL标签实例详解
shuai_wy的专栏
01-18 8649
正则表达式去除字符串中的HTML标签。去除字符串中的 空格、换行等字符，PHP编写代码实例详解。
vue正则表达式html标签,从vue模板解析学习正则表达式
最新发布
05-15
Vue模板中的正则表达式可以用来匹配和提取HTML标签。以下是一个示例正则表达式，它可以匹配HTML标签： ```javascript /<[a-z][^>]*?>/g ``` 这个正则表达式的含义是： - `匹配一个左尖括号 - `[a-z]` 匹配一个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值