Question

换句话说，可以使用/<tag[^>]*>.*?<\/tag>/正则表达式来匹配不包含嵌套tag元素的tag html元素吗？

例如（lt.html）：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
  <head>
    <title>greater than sign in attribute value</title>
  </head>
  <body>
    <div>1</div>
    <div title=">">2</div>
  </body>
</html>

正则表达式：

$ perl -nE"say $1 if m~<div[^>]*>(.*?)</div>~" lt.html

and screen-scraper：

#!/usr/bin/env python
import sys
import BeautifulSoup

soup = BeautifulSoup.BeautifulSoup(sys.stdin)
for div in soup.findAll('div'):
    print div.string


$ python lt.py <lt.html

两者都给出相同的输出：

1
">2

预期产出：

1
2

w3c说：

属性值是文本的混合和字符引用，除了额外的限制文字不能含有歧义符号

Answer 1

是的，允许（W3C Validator接受它，只发出警告）。

在评论中也允许使用非转义<和>，因此可以愚弄这种简单的正则表达式。

如果BeautifulSoup没有处理这个问题，那么它可能是一个错误，也可能是一个有意识的设计决定，使其在属性中缺少关闭引号更具弹性。

Answer 2

我认为这是有效的，W3C验证人同意，但该信息的权威来源是ISO 8879：1986标准，其成本约为150EUR / 210USD。无论如何，对它们进行编码并没有错，所以如果有疑问，请编码。此外，如果您使用的是基于XML的文档类型，则需要在序列]]>中编码大于号的符号。

Answer 3

文字>在html内容中无处不在，包括属性值内部和元素内的文本。

Answer 4

阅读以下内容后：

http://www.w3.org/International/questions/qa-escapes

看起来实体转义在任何地方都被建议（包括在属性中）＆lt; ＆GT;和＆amp;

Answer 5

如果您坚持使用正则表达式（适用于基本字符串操作），请尝试使用<tag((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[^'">\s]+))?)+\s*|\s*)>.*?<\/tag>。它应该完美匹配属性，因此允许您访问内部内容（尽管您需要将其放在捕获组中）。

您也可以使用Html Agility Pack来解析HTML，如果您要进行大量的解析，我建议您这样做。保持大型正则表达式很容易成为一个令人头痛的问题，但与此同时，如果能够这样做，它们也会更有效。

Answer 6

yeah except /<tag[^>]*>.*?<\/tag>/

不匹配单个标记，但匹配给定标记的第一个开始标记和最后一个结束标记。就像你的第一次非贪婪的标签匹配一样，你的中间人也应该写成非贪婪的。

Answer 7

看看你是否使用＆amp; gt;得到了相同的结果而不是＆gt;

是“＆gt;” （U + 003E GREATER-THAN SIGN）允许在html元素属性值中？

7 个答案: