正则表达式最后不匹配

Question

我正在尝试编写一个正则表达式来匹配这样的模式：

<td style="alskdjf" />

即。自我终止<td>

但不是这样：

<td style=alsdkjf"><br /></td>

我最初想出的是：

<td\s+.*?/>

但是第二个例子显然失败了，我认为这样的事情可能有用：

<td\s+.*?[^>]/>

但事实并非如此。我正在使用C＃.NET。

仅查找具有属性的<td>。例如寻找<td style="alsdfkj" />但不是<td>。

Answer 1

由于HTML不常规，因此使用HTML的regexp会遇到问题。除了最简单的情况外，我建议使用HTML解析器。

Answer 2

这将与您正在寻找的内容相匹配，并且不符合您在前几次尝试时出现的问题：

<td[^>]*?/>

但请注意，如果您需要在属性值中允许>个字符，则需要以下内容：

<td(?:[^>]|"[^"]*?")*?/>

仅在匹配的双引号内允许>（您可以类似地扩展它以允许单引号）。

您可以将正在寻找的任何特定属性添加到正则表达式中;例如：

<td[^>]*? style="alskdjf"[^>]*?/>

Answer 3

正如批量浏览器经常需要处理的那样，正则表达式在解释凌乱的HTML时会遇到严重的麻烦。可以对标记进行各种可怕的混淆，你不需要考虑这些混淆！

HTML Agility Pack是您真正想要使用的内容，并且在我看过的每个地方都有非常好的评论。它是一个强大的库，用于将任何类型的错误HTML读入DOM模型。我个人发现它是一个极好的库，肯定有其他人，很多人在商业应用程序的上下文中使用库。