对于抓取HTML标签正则表达式模式感到困惑

Question

我正在阅读regular-expressions.info示例，以尝试了解更多正则表达式模式。

第一个示例Grabbing HTML Tags讨论了特定HTML标记的开始和结束对的正则表达式。

<TAG\b[^>]*>(.*?)</TAG>

我在这里有点困惑。为什么\b[^>]*添加到上面的正则表达式模式中，使用下面的正则表达式模式可以实现相同的目的：

<TAG>(.*?)</TAG>

为什么使用这个额外的正则表达式模式？它会对任何表演有帮助吗？

Answer 1

• 这是为了匹配<a href=...> stuff </a>之类的内容，而不是简单的<b> stuff </b>，您的选项可以使用。
• 需要\b边界以避免匹配<attribute ...> stuff </a>
等内容
• 需要使用开始和结束标记之间的延迟量词.*?，而不是[^<]*，因为在开始和结束标记之间您可能有另一个标记（例如<b>）

Answer 2

因为没有单词边界，它不仅匹配任何标签。

DEMO

您可以尝试演示。只需在模式中使用\b进行游戏。

<TAG\b[^>]*>(.*?)</TAG>

<强>解释

• <匹配<符号。
• TAG标记名称
• \b单词字符与非单词字符匹配。
• [^>]*匹配任何不是>零次或多次的字符。
• (.*?)在?执行不情愿的匹配后，在开始和结束标记中捕获该部分。*。
• </TAG>匹配结束标记。

例如：

输入：

<a href="www.foo.com">link</a>
<ahref="www.foo.com">link</a>

正则表达式：

<a[^>]*>(.*?)<\/a>

上述正则表达式将匹配两个链接。

正则表达式：

<a\b[^>]*>(.*?)<\/a>

但这与第一个匹配，因为a和第一个space字符之间存在单词边界。

Answer 3

某些开场代码具有<img src="asdf.png">等属性。标记在到达>之前不会结束，因此字边界和非>字符与src="asdf.png"匹配。

Answer 4

中的\b[^>]*

<TAG\b[^>]*>(.*?)</TAG>

Debuggex Demo

允许在open-tag中有文本（例如参数：width="30"）和空格（只要它只有TAG而不是TAGX或其他类型 - - 这是\b word boundary的用途。 html中的语法和间距是非常松散的goosey。允许额外的参数和空格总是安全的，因为单个html标记可以跨越多行。

后者正则表达式

<TAG>(.*?)</TAG>

Debuggex Demo

仅允许开始标记完全 <TAG>然后“可能跨越多行的某些文字”，然后</TAG>。

?中的.*?为reluctance，这意味着 next close </TAG>是唯一可以匹配的?。取消</TAG>会将其更改为greedy，这意味着匹配搜索字符串中的最后关闭{{1}}。

---

请务必查看Stack Overflow Regular Expressions FAQ：）