正则表达式没有正确结束[重复]

Posted 2023-02-24

【中文标题】正则表达式没有正确结束[重复]

【英文标题】：Regex doesn't end properly [duplicate]

【发布时间】：2013-08-14 00:12:36

【问题描述】：

我需要解析我的 html 页面来替换一些链接，这是链接<a href="/localLink:1144" title="Bas-rhin">Mauris nec</a> 的形式。问题是我的正则表达式没有正确结束，我认为这是因为 ".

这是我的正则表达式：

Regex r= new Regex("<a href=\"(/localLink:)(.*)\" title=\"(.*)\">(.*)</a>");

那个正则表达式不会在每个链接之后结束，第三组不包含标题属性，而是几乎所有的 html，直到我的最后一个 html。

我在这个网站上测试过：

http://derekslager.com/blog/posts/2007/09/a-better-dotnet-regular-expression-tester.ashx

那么，为什么第三组不直接在Bas-Rhin" 之后结束呢？

【问题讨论】：

...尤其是第一个答案...

我认为这个问题是相关的，请检查标记的答案：Using regular expressions to parse HTML: why not?

@stephane 无需测试或阅读您的正则表达式：将.* 替换为.*?，它会变得不贪婪。也别忘了转义

你确定你在测试时没有混淆文本框吗？使用选项“CultureInvariant”，您的模式与我在 derekslager 上效果很好。

【参考方案1】：

你问的问题的答案（“那么，为什么第三组不直接在Bas-Rhin" 之后结束？”）是.* 是贪婪的，这意味着它会尽可能多地消耗。将其替换为.*?，使其消耗尽可能少。

如果您继续走这条路，您可能会遇到的许多问题的答案是正则表达式无法正确解析 HTML，因为 HTML 不是常规语言。如果您的语言具有嵌套匹配标记（例如 <tag> 匹配 </tag> 或 匹配 ）并且嵌套深度没有限制（HTML、C 系列语言、JSON 中就是这种情况） ，以及许多其他），正则表达式根本无法解析或验证它。

【讨论】：

这个答案似乎不正确，因为该模式使用文字 " 结束了 href、title 属性值的匹配所有子模式，因此不会有不需要的贪心匹配。

@collapsar 实际上，如果在> 之前有任何其他带有" 的标签，并且在那之后的任何地方都有一个</a>，它会一直消耗直到它匹配。所以该模式将匹配所有<a href="/localLink:1144" title="title">Text</a> More text here. <a href="google.com">google</a>

这当然是正确的，但不适用于 OP 给出的示例情况。最佳实践当然是强制不贪婪匹配或限制属性值的允许字符（即使用[^"]* 而不是.*）。

【参考方案2】：

Regex r= new Regex("<a href=\"(/localLink:)(.*)\" title=\"(.*)\">(.*)</a>");

没有按预期工作，因为量词 (*) 在默认情况下是贪婪的，这意味着它们会捕获所有可能的东西（尽可能）。

要解决这个问题，你有几种方法：

1 最明显的：

通过添加问号使你的量词变得懒惰：(.*?)

2 最高效：

不要使用点，而是使用否定字符类。示例：

Regex r= new Regex("<a href=\"(/localLink:)([^]*)\" title=\"([^"]*)\">(.*?)</a>");

最后一个(.*?)可以替换为：

((?>[^<]+|<(?!/a>)*)

3个最合理的：

使用 agilitypack 或其他 html 解析器来提取所有“a”标签。您可以检查 href 是否符合您的要求。 （请注意，使用 xpath 您可以直接一步执行此检查）

Xpath 查询示例：

//a[contains(@href, 'localLink:')]

【参考方案3】：

您的测试用例似乎没问题：

see here http://collapsar.ohost.de/pics/derek.png