用于解析 HTML 表格的正则表达式?
Posted
技术标签:
【中文标题】用于解析 HTML 表格的正则表达式?【英文标题】:Regex for parsing HTML tables? 【发布时间】:2020-03-14 06:22:55 【问题描述】:我已经尝试了很多不同的正则表达式,但找不到解决方案。
我需要一个正则表达式来查找:
<tr>
<td>XYZ</td>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
这是我目前所拥有的:
<tr>\s*<td.*?>(.*?)</td>\s*<td.*?>(.*?)</td>\s*</tr>(\s*<tr>\s*<td>.*?</td>\s*</tr>)*
所以第一个<tr>
块必须包含两个<td>
标记,所有后续(0 个或多个)<tr>
标记必须只包含1 个<td>
标记。
非常感谢。
【问题讨论】:
不要使用正则表达式来解析 html。使用 HTML 解析器。 @Andreas 是的,我知道,但这是大学的任务,我们必须使用正则表达式。通常我用 HTML 解析器来做 :( 请告诉给你这些问题/答案的人:***.com/questions/1732348/…、Can you provide some examples of why it is hard to parse XML and HTML with a regex?、Using regular expressions to parse HTML: why not?。 但只是为了“好玩”,让我们来处理这个正则表达式。您面临哪些问题?到目前为止你有什么? @Pshemo 我的正则表达式到目前为止看起来像这样:<tr>(.*?<td.*?>(.*?)</td>)2.*?</tr>(.*?<tr>.*?<td>(.*?)</td>.*?</tr>)*?
【参考方案1】:
用正则表达式处理 HTML 标签是有问题的;如果可能的话,应该使用 HTML 解析。让我们举一个识别(虚构)标签<a>
和<b>
的简单案例。为了简单起见,我们假设我们不必担心这些标签或空白区域的属性。我们有兴趣识别嵌套在<a>
标记中的单个<b>
标记,例如:
<a><b>1</b></a>
“明显”但不正确的正则表达式是:
<a><b>.*?</b></a>
它会匹配上面的例子,但它也会匹配:
<a><b>1</b><b>2</b></a>
即使.*?
不是贪心,它也是贪婪的,它试图将输入的其余部分与正则表达式的其余部分进行匹配。
您需要将 .*?
替换为不会扫描结束 </b>
标记的内容:
((?!</b>).)*
这表示只要下一个字符不是结束 </b>
标记,就再扫描一个字符。为了更好地衡量,您可能还需要确保不要跳过另一个 <a>
标记的开头:
((?!(<a>|</b>)).)*
所以最终的正则表达式变为:
<a><b>((?!(<a>|</b>)).)*</b></a>
无论如何,这就是我所采取的方法。因此,当前问题的正则表达式变得相当复杂。
我的理解是,您正在寻找一个带有两个嵌套 <td>
标记的 <tr>
标记,然后是 0 个或多个 <tr>
标记和一个嵌套 <td>
标记。如果我直截了当,那么正则表达式是:
"(?s)<tr[^>]*>(\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*)2\\s*</tr>(\\s*<tr[^>]*>\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*</tr>)*"
代码:
import java.util.regex.Pattern;
import java.util.regex.Matcher;
import java.util.regex.MatchResult;
public class Test
public static void doMatch (String s)
Pattern pattern = Pattern.compile("(?s)<tr[^>]*>(\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*)2\\s*</tr>(\\s*<tr[^>]*>\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*</tr>)*");
Matcher matcher = pattern.matcher(s);
while (matcher.find())
MatchResult m = matcher.toMatchResult();
System.out.println("Match: " + m.group(0));
public static void main(String[] args)
String s = "<tr>\n <td>XYZ</td>\n <td><tag1>abc\ndef</tag2></td>\n</tr>\n<tr>\n <td>XYZ</td>\n</tr>\n<tr>\n <td>XYZ</td>\n</tr>";
Test.doMatch(s);
s = "<tr><td>1></td><td>2</td></tr><tr><td>3></td><td>4</td></tr><tr><td>5></td><td>6</td></tr><tr><td>7</td></tr>";
Test.doMatch(s);
打印:
Match: <tr>
<td>XYZ</td>
<td><tag1>abc
def</tag2></td>
</tr>
<tr>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
Match: <tr><td>1></td><td>2</td></tr>
Match: <tr><td>3></td><td>4</td></tr>
Match: <tr><td>5></td><td>6</td></tr><tr><td>7</td></tr>
【讨论】:
【参考方案2】:这是从网页源代码中提取 HTML 表格的正则表达式格式:
(?is)<tr.*?>.*?(?:<td.*?>(.*?)<\/td>\s*)(?=(?:<td.*?>(.*?)<\/td>)?).*?<\/tr>
您可以在任何编程语言中应用上述格式。这取决于所使用的语言如何处理正则表达式。
【讨论】:
<code>
? --- 你为什么要逃避/
? Java 正则表达式不需要那个。 --- (?: )
非捕获组的目的是什么?
这不能按预期工作。我不是专家,但我需要“计算”TD-Tag 的出现次数。如何实现?以上是关于用于解析 HTML 表格的正则表达式?的主要内容,如果未能解决你的问题,请参考以下文章