递归正则表达式，如何将耦合字符串与正则表达式匹配？

Question

  

... AA BB sysodufsoufdds BB AA ...

AA，BB可以是任意连续的字符串，其中没有空格。

但我希望得到 outest对：AA

更多例子：

输入：

  

a HH CC abc CC HH c

输出：

  

HH

输入：

  

x YYYY j DD GG DD hsu DD GG DD k YYYY o

输出：

  

YYYY

为了使我的问题更加通用，如何将html中的特定标签与正则表达式进行匹配？我已经看过各种帖子讨论这个问题，但是他们都没有给出正则表达式的答案。相关问题是： I'm looking for a regular expression to remove a given (x)HTML tag from a string

Answer 1

\b(\w{2,})\b.*\b\1\b

将匹配从第一系列连续字符到重复的所有内容。反向引用\1将包含匹配的模式（例如，示例中的AA，HH或YYYY）。

\b是强制字边界所必需的。

编辑：哦。我刚刚注意到你想要完全做其他事情，即从字符串/文件中删除HTML标记。 不使用正则表达式。当有人问这样的问题时，我不会引用其他人总是引用的文章，但问题（简而言之）是HTML不规则，并且尝试在这里使用正则表达式只是在寻找麻烦。这就是为什么没有人（正确的思想）使用正则表达式“解析”HTML的原因 - 他们使用解析器。

那就是说，我已经使用正则表达式来从格式良好的XML源中提取数据，在那里我完全了解结构，并且知道我感兴趣的标签永远不会嵌套等等 - 但是正则表达式的递归只是非常复杂，如果它可以工作（C＃和Perl有一些支持，但它非常多毛。）

Answer 2

我认为你需要在这里提及。像（试图避免任何正则表达式语言的细节）：

(\w+) \w* (\w+) \w+ \1 \w* \2

第一次捕获是你的结果。

我假设单个空格分隔字符串以使其更清晰，您可能需要允许\s+的任意空格，\w（标识符字符：大致[a-zA-Z9-0_]）是正确匹配字符串。