Question

我正在尝试格式化XML文档，因此我将字符串传递给方法，例如：

"<foo><subfoo><subsubfoo>content</subsubfoo></subfoo><subfoo/></foo>"

我正试图根据找到标签来拆分它。我想将每个元素（标记或内容）拆分为唯一的字符串，例如：

"<foo>", "<subfoo>", "<subsubfoo>", "content", "</subsubfoo>", "</subfoo>", "<subfoo/>", "</foo>"

为此我使用代码：

string findTagString = "(?<=<.*?>)";
Regex findTag = new Regex(findTagString);
List<string> textList = findTag.Split(text).ToList();

上面的代码工作正常，但它没有将“content”拆分成自己的字符串，而是：

"<foo>", "<subfoo>", "<subsubfoo>", "content</subsubfoo>", "</subfoo>", "<subfoo/>", "</foo>"

有没有办法重写正则表达式来实现这一点，将不匹配分成他们自己的字符串？

或者，重新说明：在正则表达式匹配之前和之后是否可以分割字符串？

Answer 1

使用此正则表达式(<.*?>)|(.+?(?=<|$)) 并将匹配转换为List<string>

Answer 2

XML不是常规语言（可以通过Pumping Lemma证明），因此无法使用正则表达式解析XML。

我建议你找一个好的XML库并使用它。

Answer 3

您可以通过正则表达式或xpath执行此操作，具体取决于xml的复杂程度。

如果你想使用正则表达式，你可能想要做这样的事情：

public static string xml = "<foo><subfoo><subsubfoo>content</subsubfoo></subfoo><subfoo/></foo>";
public static Regex re = new Regex(@"\<([A-Za-z0-9]*)\b[^>]*\>(.*?)\</\1\>");

static string GetContentViaRegex()
{
    string content = xml;
    while (re.IsMatch(content))
    {
        Match match = re.Match(content);
        if (!match.Success)
            break;

        content = match.Groups[2].Value;
    }
    return content;
}

正则表达式基本上搜索匹配的开始/结束标记（您不希望匹配<foo>stuff here, possibly including more tags</bar>之类的内容），并继续钻取匹配的标记，直到找到最里面的内容。这个正则表达式假设任何标签都没有属性。

如果您想通过xpath执行此操作，您可以执行以下操作：

static string GetContentViaXPath()
{
    var nav = new XPathDocument(new StringReader(xml)).CreateNavigator();
    return nav.SelectSingleNode("//text()").Value;
}

它基本上抓住了它在文档中命中的第一个文本节点。（除非您确定输入始终有效，否则您需要添加错误检查）

Answer 4

由于忽略了html规范，<>没有意义。

可以通过使用此(?<=>)|(?=<)进行拆分来完成。

这会产生

<foo>
<subfoo>
<subsubfoo>
content
</subsubfoo>
</subfoo>
<subfoo/>
</foo>

使用Regex在匹配前后分割XML字符串

4 个答案: