正则表达式，从html编码的字符串中提取单个值

Question

我无法提取某些值，这是我的表达式：

flag:(\S+)=\&quot\;?((?:.(?!\&quot?\s+(?:\S+)=|">))+.)\&quot\;?

它只是试图从html编码的字符串中提取值。

这是一个工作正常的例子。

<p class="text1" target="701_text" flag:text1="This is a test">

为第二个()捕获返回此值，这是正确的：This is a test

但是，单个值似乎会返回第一个字符，加上第一个;的{​​{1}}

"

返回：<p class="text1" target="701_text" flag:text1="T">而非;T，这是我需要它做的。

我只需要修改表达式以允许单个值，同时仍然可以正确返回多个值。

Answer 1

为什么不首先解码它并处理该字符串的版本？如果我理解您的要求，您可以尝试这样做：

$str = '<p class="text1" target="701_text" flag:text1="T">';

$decoded = html_entity_decode($str);

preg_match('/flag:(.+?)="(.+?)"/', $decoded, $match);

print_r($match);

Answer 2

我认为这就是你想要你的正则表达式的方式：

flag:(\S+)="((?:.(?!"(?:\S+)=|">))*.?)"

请注意，您无需逃避这么多。 &和;不是特殊字符，因此不需要转义。此外，HTML实体始终以分号结尾，或者它们无效，因此;之后的所有问号都不需要（或者更有害）。

然后，表达式的实际问题如下："具有负前瞻的内部组预期有一个或多个匹配（因为+）。如果T作为单个文本，T之后.已经占用{正确需要匹配负前瞻适用的最后一个字符）。现在没有任何字符可以实际匹配前瞻表达式（虽然需要一个匹配）。那么正则表达式做了什么呢？将分号标记为可选（因为?）并将其拉入捕获组内部。这就解释了分号的来源。

如果你按照上面的建议删除分号后的问号，那么你就会遇到regexp根本不匹配T的问题（因为它需要两个或更多字符）。因此，解决方案是不允许任何字符匹配负前瞻表达式（即*而不是+）。然后，如果您想让regexp变得更好，请在引号内添加空序列，方法是向?添加.。然后你应该有一个工作表达。

但是，当然，鉴于这是使用HTML实体进行编码，最好先简单解码，然后直接在引号上进行匹配，如Matteo所建议的那样。这个答案仅仅是为了解释你的表达方式有什么问题：）