我希望在html文档中匹配并捕获所有现有（如果有） <style...</style>块和一个 <body..</body>块内部。
我觉得这很简单，但我碰到了一些奇怪的东西。
这是我对整个正则表达式的猜测：
/(<style[\s\S]+<\/style>)*[\s\S]*<body.*>([\s\S]+)<\/body>/i
结果一无所获。所以我把它拆开了，这些部分都有效：
/(<body.*>([\s\S]+)<\/body>)/i
/(<style[\s\S]+<\/style>)/i
所有这第一行中最奇怪的也是有效的，而第二行结果是空的！
/(<style[\s\S]+<\/style>)+/i
/(<style[\s\S]+<\/style>)*/i
所以，我猜错误是子模式后面的*和+之间的差异。为什么？我该如何解决这个问题？
谢谢！
答案 0 :(得分：1)
你有四个问题：
首先，您使用正则表达式来解析HTML。
第三，你的匹配太多了：你至少需要让一些量词变得懒惰，我。即使用.*?，[\s\S]*?等，或者你的正则表达式会匹配到行尾或文件的所有内容，然后只需要回溯以找到最后一个可能的匹配标记。
第四，你通过在重复的群体中重复群体来为灾难性的回溯做好准备，这两个群体都有无数的方法来匹配相同的文本。
根据我的理解，您希望匹配从第一个<style>标记到最终</body>的所有内容，并捕获所有<style>标记的内容和<body>标签的内容。对？然后尝试
/(<style[\s\S]+<\/style>)[\s\S]*?<body.*?>([\s\S]+)<\/body>/i
要分别捕获每个<style>块，您可以尝试最多四个<style>块：
/(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*<body.*?>([\s\S]+)<\/body>/i
如果<style>块全部相邻且仅由空格分隔。你能明白为什么使用正则表达式不是一个好主意吗？