正则表达式获得所有匹配，包括较小的子匹配

Question

我有以下输入字符串

Testing <B><I>bold italic</I></B> text. 

以及正则表达式：

<([A-Z][A-Z0-9]*)\b[^>]*>.*</\1>

此正则表达式仅提供以下更大的匹配

<B><I>bold italic</I></B>

如何使用正则表达式来获得较小的匹配？

<I>bold italic</I>

我尝试使用非贪婪的运算符，但它也没有用。

是否可以使用类似java或c＃匹配组或匹配集合将两者作为匹配组？

Answer 1

尝试下面使用正面lookbehind的正则表达式

(?<=>)<([A-Z][A-Z0-9]*)\b[^>]*>.*<\/\1>

DEMO

它会查找刚刚开始>符号的标记。

<强>解释

• (?<=>)此处使用正面lookbehind，它在tp >符号之后设置匹配标记。
• <文字<符号。
• ([A-Z][A-Z0-9]*\b[^>]*>)捕获下一个>符号。
• .*匹配除\n以外的任何字符零次或多次。
• <\/\1>匹配</ +首次捕获的群组+ >

Answer 2

您可能知道，许多人更喜欢使用DOM解析器来解析html。但是看看你现有的正则表达式，修复它，我会建议：

<([A-Z][A-Z0-9]*)\b[^<>]*>[^<]*</\1>

请参阅the demo。

<强>解释

• 在标记内部，.*内部匹配过多的字符，我们使用[^<]*，它匹配任何不是开始标记的字符。这样我们就不会进入另一个标签。
• 同样，我将您的[^>]*更改为[^<>]*，因此我们不会启动另一个标记
• 我假设你会使这个不区分大小写的