Question

我有一个正则表达式从HTML字体标记中提取文本：

<FONT FACE=\"Excelsior LT Std Bold\"(.*)>(.*)</FONT>

这一切正常，直到我有一些嵌套的字体标签。而不是匹配

<FONT FACE="Excelsior LT Std Bold">Fett</FONT>

字符串

的结果

<FONT FACE="Excelsior LT Std Bold">Fett</FONT> + <U>Unterstrichen</U> + <FONT FACE="Excelsior LT Std Italic">Kursiv</FONT> und Normal

是

<FONT FACE="Excelsior LT Std Bold">Fett</FONT> + <U>Unterstrichen</U> + <FONT FACE="Excelsior LT Std Italic"

我如何只获得第一个标签？

Answer 1

您需要取消与.*?而非.*的贪婪匹配。

<FONT FACE=\"Excelsior LT Std Bold\"([^>]*)>(.*?)</FONT>

请注意，如果BadAttribute="<FooBar>"标记的FACE属性之后的某个地方存在<FONT>等属性，则会失败。这将混合两个匹配组，如果属性包含</FONT>，它可能会完全混乱。没有办法解决这个问题，因为正则表达式无法计算匹配的标签或引号。所以我绝对同意Tomalak - 尽量避免使用正则表达式来处理XML，HTML和其他类似的标记语言。

Answer 2

你必须使用非贪婪的明星：

<FONT FACE=\"Excelsior LT Std Bold\"[^>]*>(.*?)</FONT>
                                    ^^^^^  ^^^
                                      |     |
     match any character except ">" --+     +--------+
                                                     |
   match anything, but only up to the next </FONT> --+

关于使用正则表达式处理HTML的常见警告适用：您不应该。

Answer 3

你需要使用'？'

表示的非贪婪捕获

 <FONT FACE=\"Excelsior LT Std Bold\"(.*?)>(.*?)</FONT>

Answer 4

<FONT[^>]*Excelsior LT Std Bold[^>]*></FONT>

见Phil Haack的帖子here。

这是我对此表达式的C＃用法。这用于从HTTP响应中删除特定的CSS和JS文件。

const string CSSFormat = "<link[^>]*{0}[^>]*css[^>]*>";
const string JSFormat = "<script[^>]*{0}[^>]*js[^>]*></script>";

static readonly Regex OverrideCss = new Regex(string.Format(CSSFormat, "override-"), RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline);
static readonly Regex OverrideIconsJs = new Regex(string.Format(JSFormat, "overrideicons"), RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline);

正则表达式 - 恰好匹配一个标签

4 个答案: