Question

问候！

我有一些HTML可能有效，也可能无效。如果HTML无效，则可以进行最佳尝试，并且出现的任何错误都是可接受的（即，由于某些标记未正确关闭，因此分组过多）。

在这个HTML中有各种各样的元素，其中一些可能有一个类（称之为“findme”）。这些元素的类型各不相同;一些 img ，一些对象，一些一个等。

我需要一个正则表达式来提取所有元素，以及它们包含内容时包含的内容。

例如：

<div>
<span><img class="findme" src="something" /></span>
<object class="findme" classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50">
  <param name="BorderStyle" value="1" />
  <param name="MousePointer" value="0" />
  <param name="Enabled" value="1" />
  <param name="Min" value="0" />
  <param name="Max" value="10" />
</object>
</div>

在那块HTML上运行正则表达式应返回2个元素：

<img class="findme" src="something" />

和

<object class="findme" classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50">
      <param name="BorderStyle" value="1" />
      <param name="MousePointer" value="0" />
      <param name="Enabled" value="1" />
      <param name="Min" value="0" />
      <param name="Max" value="10" />
    </object>

你们中的任何一个正则大师都对这个有一个想法吗？

编辑：语言是c＃。

Answer 1

虽然正则表达式可以适用于各种各样的任务，但我发现解析HTML DOM时通常会遇到这种情况。 HTML的问题在于，文档的结构变化很大，难以准确（并且准确地说，我的意思是100％的成功率，没有误报）提取标签。

我建议您使用DOM解析器，例如SimpleHTML，并将其用作以下内容：

require_once('SimpleHTML.class.php')

$html_dom = str_get_dom($html);
$tags = $html_dom->find('img.findme'); // Get all img elements of class findme

有些人可能认为这样做有点过分，但最终，维护起来会更容易，并且还可以提供更多的可扩展性。例如，使用DOM解析器，我也可以获得alt属性。

可以设计一个正则表达式来实现相同的目标但是会限制它会强制alt属性位于src之后或相反的目标，并克服此限制会增加正则表达式的复杂性。

另外，请考虑以下内容。要使用正则表达式正确匹配<img>标记并仅获取class属性（在第2组中捕获），您需要以下正则表达式：

<\s*img\s+[^>]*?\s*class\s*=\s*(["'])((\\?+.)*?)\1[^>]*?>

然后，如果出现以上情况，则上述情况可能会失败：

属性或标记名称为大写，并且不使用 i 修饰符。
class属性周围没有使用引号。
然后class的另一个属性在其值的某处使用>字符。
我没有预料到的其他一些原因。

所以再一次，不要使用正则表达式来解析dom文档。

Answer 2

正则表达式是这项工作极其糟糕的工具。使用解析器。在此之前，通过HTML Tidy运行它来修复无效的HTML。无论你使用什么语言（你没说），都会有一个或多个HTML解析器。

Answer 3

而不是尝试使用原始regex操作直接解决此问题，您应该考虑使用您熟悉的任何语言中的 HTML Parser模块 在这里列出一些引用，

Perl ：CDSProject和Analyzing HTML
Tcl ：tcllib sourceforge和TCL Wiki
Python ：docs.python和DiveIntoPython

Answer 4

您没有提到您正在使用的语言，但您可能应该将其加载到XmlDocument中并正确搜索DOM。正则表达式将模式匹配，但你可能得到各种误报。

Answer 5

试图用正则表达式解决这类问题是一个令人讨厌的方法。如果您正在使用服务器，请使用容错的html解析器解析代码段（例如，针对ruby的hpricot）并对dom进行验证。使用el.innerHTML =“...”

可以在客户端上完成相同的操作

正则表达式按类名提取元素

5 个答案: