Question

我正在.NET项目中处理正则表达式以获取特定标记。我想匹配整个DIV标签及其内容：

<html>
   <head><title>Test</title></head>
   <body>
     <p>The first paragraph.</p>
     <div id='super_special'>
        <p>The Store paragraph</p>
     </div>
     </body>
  </head>

代码：

    Regex re = new Regex("(<div id='super_special'>.*?</div>)", RegexOptions.Multiline);


    if (re.IsMatch(test))
        Console.WriteLine("it matches");
    else
        Console.WriteLine("no match");

我想匹配这个：

<div id="super_special">
   <p>Anything could go in here...doesn't matter.  Let's get it all</p>
</div>

我认为.应该得到所有角色，但似乎有回车问题。我的正则表达式遗失了什么？

感谢。

Answer 1

请相当，请自己做一个巨大的青睐：使用HTML解析器来解析HTML。认真。这就是他们的目的。

HTML是非常复杂的语言。无论多长时间你将调整，摆弄，修复，磨练你的Regexp，总是就是你错过的案例。

无论如何，你必须告诉你的Regexp引擎匹配多行，而不只是一行。在一些最受欢迎的应用中，您可以应用/m修饰符。

但是让我再说一遍：请使用HTML解析器。每当有人使用正则表达式解析HTML时，一只小猫就会死...

Answer 2

取决于您正在使用的语言。例如，在perl中，您将使用正则表达式修饰符s：

m{<div id="super_special">.*?</span>}s

Answer 3

您使用的是哪种语言？在.NET中，您必须设置一个选项以确保它不是单行。

Answer 4

取决于语言。如果在python上，你缺少re.S标志，就像这样（删除匹配）：

re.compile('<div id="super_special">.*?</div>',re.S).sub(your_html,'')

其他正则表达式实现存在类似的标志，它们被称为“单行”或“多行”或类似的东西。

但是不要使用REGEXPS PARSE HTML 。这是维护地狱的直接途径。使用像Beautiful Soup这样的HTML解析器。检查these links以获取该方向的有用资源。

Answer 5

问题在于。默认情况下，元字符与换行符不匹配。您必须使用单行修改器来实现此目的。在.NET中，您可以使用RegexOptions.SingleLine作为您正在使用的方法的最后一个参数，也可以直接在模式中使用修饰符，例如：

(?s)(<div id="super_special">.*?</div>)

Answer 6

大多数语言都有一些方法可以制作。匹配换行符：

在Java中：Pattern.compile（“pattern”，Pattern.MULTILINE）;
在Perl和Ruby中：/ pattern / m
在VB中：Regex.IsMatch（s，“pattern”，RegexOptions.Multiline）

一般来说，使用regexp来匹配XML / HTML并不是一个好主意，因为XML / HTML标签可以嵌套，例如：

  <div id="super_special">
     <div>Nothing</div>
     <p>Anything could go in here...doesn't matter.  Let's get it all</p>
  </div>

...在这里你很容易最终匹配：

  <div id="super_special">
     <div>Nothing</div>

另一方面，如果您确实肯定，那么您所匹配的HTML对于您的正则表达始终是安全的，那么请不要让我阻止您（尽管如此，您应该认为两次关于将你的未来从潜在的调试问题中解脱出来。）

Answer 7

开箱即用，没有特殊修饰符，大多数正则表达式实现都不会超出行尾以匹配文本。您可能应该查看正在使用此类修饰符的正则表达式引擎的文档。

我有另外一条建议：提防贪婪！传统上，正则表达式是贪婪，这意味着你的正则表达式可能会匹配这个：

<div id="super_special">
  I'm the wanted div!
</div>
<div id="not_special">
  I'm not wanted, but I've been caught too :(
</div>

你应该检查一个“非贪婪”的修饰符，这样你的正则表达式就会在</div>的第一次出现时停止匹配文字，而不是最后一次一个。

另外，正如其他人所说，考虑使用HTML解析器而不是正则表达式。它会为你节省很多麻烦。

编辑：即使非贪婪的正则表达式也不会按预期工作，如果<div>是嵌套的！考虑使用HTML解析器的另一个原因。

Answer 8

。（点）匹配除换行符\ r和\ n之外的任何单个字符。大多数正则表达式都可以选择使点匹配行中断字符。。匹配x或（几乎）任何其他字符

Answer 9

也许：。 [\ r \ n] 。 [\ r \ n]

Answer 10

这些正则表达式建议都不起作用。根据他们是否贪婪，他们将匹配最后一个＆lt; / div＆gt;在文档中，或第一个＆lt; / div＆gt;在您的起始字符串之后，可能是嵌入您感兴趣的字符串中的div。

正则表达式实际上不是用于此目的的理想工具，但是如果您的情况非常简单以至于您不想真正解析HTML，则可以使用Microsoft专有的扩展来实现.NET中的正则表达式。。有关一个很好的解释，请参阅this nice article by Morten Maate。

Answer 11

单独的正则表达式根本不足以解决您的问题。你需要更强大的东西，比如无上下文的语法。请参阅维基百科的Chomsky hierarchy。

换句话说（如前所述），不要使用正则表达式来解析HTML。

特定标记的正则表达式

11 个答案: