用于解析 HTML 表格的正则表达式？

Posted 2023-03-05

【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>

【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？