Question

<Head>
            <Post>value</Post>
            <PstlAdr>
                        <Ctry>…</Ctry>
                        <AdrLine>line1</AdrLine>
                        <AdrLine>line2</AdrLine>
                        <AdrLine>line3</AdrLine>
                        <AdrLine>line4</AdrLine>
            </PstlAdr>
</Head>

我想捕获FIRST AdrLine标记和LAST / AdrLine标记之间的所有文本。

表示捕获的组将包含：

                <AdrLine>line1</AdrLine>
                <AdrLine>line2</AdrLine>
                <AdrLine>line3</AdrLine>
                <AdrLine>line4</AdrLine>

Answer 1

XML 不 a Regular Language因此无法通过常规表达式进行解析（除非您使用的是已知的XML子集，您可以使用用正则表达式解析）。改为使用XML解析器。

Answer 2

我完全同意RegExp不是解析XML文件的最佳解决方案。

但如果你愿意，并且完全确定你的数据格式，请使用：

#(?:<AdrLine>.+?</AdrLine>\s*)+#

RegExp101演示：https://regex101.com/r/hoikwl/1

Answer 3

根据定义，正则表达式不允许递归。（允许递归的构造被称为 - 或等同于 - pushdown automata;示例是context-free grammar）。

由于HTML和XML具有递归结构，因此在一般情况下不能使用正则表达式解析HTML。

但是，如果你在一个非常有限的结构上行动，你可以尝试匹配所有<AdrLine>标签，只需拔出Java中的第一个和最后一个匹配项。但是，你必须有一个非常严格的结构。

正则表达式捕获两个带有重复项的XML标记之间的完全匹配

3 个答案: