最后匹配字符串问题

Question

我正在使用以下正则表达式来提取一些html：

(?i)(?:\<tr\s*class='list'[^\>]*\>)[^$+]*\</tr\>

问题是它没有正确地隔离TR。我正在尝试使用$+再次引用标记选择器，以确保匹配的内容不再具有开始标记。这是示例html：

http://www.pastie.org/1311827

某些匹配中有多个<tr>。请帮忙。

Answer 1

我不知道您的想法[^$+]*是什么意思，但它定义了匹配零次或多次的negated character class。换句话说，它匹配一个空字符串，或一个或多个不是文字美元符号或加号的字符。

HTML无法通过正则表达式进行简单解析（除非事先知道结构的外观），因为为了正确解析文档，您需要能够作为元素递归文档中的内容可以嵌套在自身内（例如，<div>可以包含另一个<div>）。虽然有些语言（你没有指定你使用的是什么）支持递归正则表达式（例如perl和PHP），但使用正确的DOM解析器比使用递归正则表达式更加有效（其复杂性不可抵抗） ）无论如何！

Answer 2

在您喜欢的DOM库中使用document.getElementsByTagName并使用循环遍历nodeList，然后解析getAttribute('class')。

我建议不要使用正则表达式，因为在正则表达式中断之前只是一个时间问题，除非你正在处理非常简单的标记，此外DOM只是为此而制作的。