Question

如何使用正则表达式查找所有“cat”？

“有些人在遇到问题时会想”我知道，我会用正则表达式。“现在他们有两个问题！” （c）Jamie Zawinski

请帮助我通过一个查询找到div中的所有“cat”：）

cat
<div>let's try to find this cat and this cat</div>
cat
<div>let's try to find this cat and this cat</div>
cat

我做过这个，但是没有用：

(?<=<div>)((?!<\/div>)(cat|(?:.|\n))+)(?=<\/div>)

Regular expression visualization

Debuggex Demo

当我使用Sublime Text时发现了这个问题。我们只能进行一次查询。可能吗？如果您可以使用任何编程语言（Python，PHP，JavaScript）回答，我也会很高兴。谢谢！

我可以找到最后一只猫，或者第一只猫，但需要找到所有坐在某些DIV中的猫。我想可能有其他语言的东西，但我只想要一个查询（一行） - 这对我来说最有趣。如果不可能，抱歉我的帖子：）

感谢@revo！非常好的变体，适用于Sublime Text。让我为这个主题添加第二个问题...... Сan我们是用“猫”类的div来做的，但对于那些带有“狗”类的div来说却不行吗？

cat
<div class="cats">black cat, white cat</div>
cat
<div class="dogs">black cat, white cat</div>
cat

Answer 1

PHP模式：

$pattern = '~(?><div\b[^>]*+>|\G(?<!^))(?>[^c<]++|\Bc|c(?!at\b)|<(?!/div>))*+\Kcat~';
preg_match_all($pattern, $subject, $matches);
print_r($matches);

模式细节：

~                  # pattern delimiter
(?>                # atomic group: possible anchor
    <div\b[^>]*+>  # an opening div tag 
  |                # OR
    \G(?<!^)       # a match contiguous to a precedent match
)
(?>                # atomic group: all content between tags that is not "cat"
    [^c<]++        # all characters except "c" or "<"
  |                # OR
    \Bc            # "c" not preceded by a word boundary
  |                # OR
    c(?!at\b)      # "c" not followed by "at" and a word boundary
  |                # OR
    <(?!/div>)     # "<" not followed by "/div>"
)*+                # repeat the group zero or more times
\K                 # reset all that has been matched before from match result
cat                # literal: cat
~

使用DOM：

$dom = new DOMDocument();
@$dom->loadHTML($yourHtml);
$divs = $dom->getElementsByTagName('div');
foreach($divs as $div) {
    preg_match_all('~\bcat\b~', $div->textContent, $matches);
    print_r($matches);
}

Answer 2

这适用于Sublime Text：

(?s)(cat)(?=[^>]*?</div>)

Sublime

Answer 3

考虑到您没有指定需要使用哪种语言，我将使用JavaScript来解决此问题。

你可以用一个简单的技巧来做，它可以删除所有垃圾：

var string = "<div>let's try to find this cat and this cat</div>\n<div>let's try to find this cat and this cat</div>\nanother cat";
var str = string.replace(/(^|<\/div>)[\w\W]*?(<div>|$)/g,''); //filters out anything outside divs
console.log(str.match(/cat/g)); // ["cat", "cat", "cat", "cat"]

在一行中，这将是：

console.log("<div>let's try to find this cat and this cat</div>\n<div>let's try to find this cat and this cat</div>\nanother cat".replace(/(^|<\/div>)[\w\W]*?(<div>|$)/g,'').match(/cat/g)); // ["cat", "cat", "cat", "cat"]

即使您需要匹配以下内容，也可以使其工作：

<div class="foo"><div></div>cat</div>

我会使用以下内容：

var str = "<div>let's try to find this cat and this cat</div>\n<div>let's try to find this cat and this cat</div>\nanother cat\n<div class=\"foo\"><div></div>and a cat</div>";
var openCounter = 0;
var result = [];
for (var i=0;i<str.length;i++) {
    if (str.substr(i,4) == '<div') openCounter++;
    else if (str.substr(i,6) == '</div>') openCounter = Math.max(0,openCounter-1); //don't go lower than 0
    if (openCounter > 0 && str.substr(i,3) == 'cat') result.push([str.substr(i,3), i]);
}
console.log(JSON.stringify(result)); //[["cat",28],["cat",41],["cat",79],["cat",92],["cat",148]]

这也获得了在字符串中找到cat的索引，并将其与cat一起存储在result变量中。

Answer 4

使用正则表达式无法可靠地完成（正如其他人提到的那样）。

原因是HTML可以包含嵌套标签，但正则表达式无法“计算”您有多少级别，因此您总是能够构建一些示例正则表达式找不到所有猫的HTML示例。

对于解析HTML，您需要使用STACK来跟踪标记内的深度。在这个python示例中，我使用序列（self.tags）作为堆栈：

from HTMLParser import HTMLParser
import re

# create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.tags = []

    def handle_starttag(self, tag, attrs):
        self.tags.append(tag)

    def handle_endtag(self, tag):
        self.tags.pop()

    def handle_data(self, data):
        if self.tags and self.tags[-1] == 'div':
            # now we are dealing with a single string.
            # use a regular expression to find all cats
            num = len(re.findall('cat', data))
            if num:
                print 'found %d cats at %s' % (num, '.'.join(self.tags))

# instantiate the parser and fed it some HTML
parser = MyHTMLParser()
parser.feed('''
cat
<div>let's try to find this cat and this cat</div>
cat
<div>let's try to find this cat and this cat</div>
cat
''')

# now try a trickier example
parser.feed('''<body><div>cat<div>another text</div></div></body>''')

输出：

found 2 cats at div
found 2 cats at div
found 1 cats at body.div

这也很容易扩展到只匹配基于class属性的特定div。（参见attrs的{{1}}参数）。

如何找到正则表达式的所有猫

4 个答案: