Question

我在使用正则表达式时遇到了麻烦。我正在查看一组XML文件，并尝试检测包含换行符的特定节点内的一些文本。

以下是一些示例数据：

<item name='GenMsgText'><text>The signature will be discarded.</text></item>

<item name='GenMsgText'><text>The signature will be discarded.<break/>
Do you want to continue?</text></item>

在该示例中，我想仅捕获第二个节点中的文本。我想出了下面使用第二个正则表达式的解决方案，但我想知道我是否可以只用一个做同样的事情。

if ($content =~m{<item name='GenMsgText'>(<textlist>)?<text>(.*?)</text>}si)
  {
    $t = $2;
    if ($t =~m {\n}i)
    {
     print G $t."\n\n";
    }
}

这是一个不能重复使用的一次性工具，所以我想避免编写任何超过几行的解析代码。此外，上面的代码已经有效了，我问的是个人知识的问题而不是实际使用。

Answer 1

正则表达式不适合执行此任务，它无法很好地处理嵌套结构。如果你有一个DOM API，这个XPath会找到正确的节点：

如果您正在寻找<break/>元素，正如您的示例所示：

//item[@name='GenMsgText']/text[break]

对于“真实”换行符，为CR（0xD）或LF（0xA）：

//item[@name='GenMsgText']/text[contains(., '&#xD;') or contains(., '&#xA;')]

Answer 2

我应该考虑使用一些SAX解析器。正则表达式太脆弱，无法处理xml输入。

Answer 3

我不确定，但认为这应该有效：

<item name='GenMsgText'>(<textlist>)?<text>(.*\n.*)</text>

Answer 4

问题是你的模式.*?可以匹配尖括号和换行符。如果正则表达式开始匹配一个无法匹配的元素，那么就没有什么可以阻止它在下一个元素中继续匹配尝试。如果您知道文本中永远不会有尖括号，您可以将匹配限制为单个元素，如下所示：

<item name='GenMsgText'><text>([^<>\n]*\n[^<>]*)</text></item>

编辑：重要的是要注意Max和Kibbee提供的正则表达式不应用于s模式（/ s，单行，DOTALL ......）。这就是阻止它们超出“item”元素末尾的原因：为了达到下一个元素，它们必须匹配元素之间的行分隔符。

但即使没有/ s修饰符，如果在连续的行上有两个没有内部换行符的元素（即，它们之间只有一个换行符），两个正则表达式都会失败。例如，这两行将匹配为一个：

<item name='GenMsgText'><text>foo</text></item>
<item name='GenMsgText'><text>bar</text></item>

另一方面，如果文本中有两行以上怎么办？其他正则表达式恰好匹配一个换行符，因此它们会失败。在我的正则表达式中，我明确匹配第一个换行符以确保有一个换行符，但如果还有换行符，则它们将与第二个字符类匹配：[^<>]*

这就是为什么我倾向于避免使用.*或.*?。

Answer 5

与Alan提到的相同，您可以使用延迟捕获来仅在匹配结束文本语句之前捕获必要的数据

<item name='GenMsgText'><text>(.*?\n.*?)</text></item>

但同样，正则表达式可能完全是错误的工具，你应该使用正确的XML解析器。

正则表达式检测XML节点内的换行符

5 个答案: