特定标签及其内容的正则表达式，按标签名称分组
Posted
技术标签:
【中文标题】特定标签及其内容的正则表达式，按标签名称分组【英文标题】：Regex for specifig tags and their content, groupped by the tag name 【发布时间】：2010-09-17 01:31:25 【问题描述】：这是输入（html，不是 xml）：
... html content ...
<tag1> content for tag 1 </tag1>
<tag2> content for tag 2 </tag2>
<tag3> content for tag 3 </tag3>
... html content ...
我想获得 3 场比赛，每场比赛有两组。第一组将包含标签的名称，第二组将包含标签的内部文本。只有这三个标签，所以它不需要是通用的。
换句话说：
match.Groups["name"] would be "tag1"
match.Groups["value"] would be "content for tag 2"
有什么想法吗？
【问题讨论】：
注意更新的 HtmlAgilityPack 示例；我怀疑这可以满足您的需要。 【参考方案1】：我不明白您为什么要为此使用匹配组名称。
这是一个正则表达式，它将标记名称和标记内容匹配为编号的子匹配项。
<(tag1|tag2|tag3)>(.*?)</$1>
这是一个带有 .NET 样式组名称的变体
<(?'name'tag1|tag2|tag3)>(?'value'.*?)</\k'name'>.
编辑
RegEx 根据问题作者的说明进行了改编。
【讨论】：
托马拉克，太棒了！完美运行，正是我需要的。我试过升级你，但我必须注册。我也尝试接受答案，但没有任何反应。 无论如何都欢迎你。 ;-) 但是，如果您想报答，请您注册并接受答案。【参考方案2】：正则表达式可能是：
/<([^>]+)>([^<]+)<\/\1>/
但这很笼统，因为我对 .NET 的转义机制了解不多。翻译它：
第一组匹配 之间的第一个标签的名称 第二组匹配内容（从>到下一个 结束检查第一个标签是否关闭HTH
【讨论】：
请注意，由于标签内容的 [^ 当我排除打开和关闭/ 时，这个正则表达式在 VS2017 中为我工作（使用查找和替换）【参考方案3】：
感谢所有但没有一个正则表达式工作。 :( 也许我不够具体，抱歉。这是我要解析的确切 html：
...some html content <b> etc </b> ...
<user> hello <b>mitch</b> </user>
...some html content <b> etc </b> ...
<message> some html <i>message</i> <a href....>bla</a> </message>
...some html content <b> etc </b> ...
我希望现在更清楚了。我在 USER 和 MESSAGE 标签之后。
我需要两场比赛，每场比赛有两组。第一组给我标签名称（用户或消息），第二组给我标签的整个内部文本。
【讨论】：
我的回答做了一些修改，请重试！ 那不是 HTML... 无论如何都不是标准 DTD。【参考方案4】：数据是正确的 xml，还是只是看起来像？
如果是 html，那么 HTML Agility Pack 值得研究——它提供了一个 DOM（类似于 XmlDocument），您可以使用它来查询数据：
string input = @"<html>...some html content <b> etc </b> ...
<user> hello <b>mitch</b> </user>
...some html content <b> etc </b> ...
<message> some html <i>message</i> <a href....>bla</a> </message>
...some html content <b> etc </b> ...</html>";
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(input);
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//user | //message"))
Console.WriteLine("0: 1", node.Name, node.InnerText);
// or node.InnerHtml to keep the formatting within the content
这个输出：
user: hello mitch
message: some html message bla
如果您想要格式化标签，请使用 .InnerHtml 而不是 .InnerText。
如果是 xml，那么要使用 xml 的全谱进行编码，最好使用 xml 解析器。对于中小型 xml，将其加载到诸如 XmlDocument 之类的 DOM 中就可以了 - 然后查询节点（例如，“//*”）。对于大型 xml，XmlReader 可能是一种选择。
如果数据不必担心完整的xml，那么一些简单的正则表达式应该不会太棘手......一个简化的例子（没有属性，没有命名空间，没有嵌套的xml）可能是：
string input = @"blah <tag1> content for tag 1 </tag1> blop
<tag2> content for tag 2 </tag2> bloop
<tag3> content for tag 3 </tag3> blip";
const string pattern = @"<(\w+)>\s*([^<>]*)\s*</(\1)>";
Console.WriteLine(Regex.IsMatch(input, pattern));
foreach(Match match in Regex.Matches(input, pattern))
Console.WriteLine("0: 1", match.Groups[1], match.Groups[2]);
【讨论】：
数据不是有效的xml，而是html页面。 这看起来很有趣，我去看看，tnx。【参考方案5】：问题是人们用来匹配标签内的东西的 ([^
这里是 Tomalak 正则表达式的一个稍微更健壮的版本，允许属性和空格：
Regex tagRegex = new Regex(@"<\s*(?<tag>" + string.Join("|", tags) + @")[^>]*>(?<content>.*?)<\s*/\s*\k<tag>\s*>", RegexOptions.IgnoreCase);
显然，如果您只需要使用一组特定的标签，您可以替换
string.Joing("|", tags)
使用硬编码管道分隔的标签列表。
正则表达式的限制是，如果您尝试匹配嵌套在另一个标签中的一个标签，它将只匹配外部标签。即
abc def ghi
它将匹配外部用户标签，但不匹配内部消息标签。
它也不处理在属性中引用的 >，如下所示：
它只会匹配
将成为标签内容的一部分。
【讨论】：
【参考方案6】：这将为您提供所需的命名捕获组。但是，它不适用于嵌套标签。
/<(?<name>[^>]+)>(?<value>[^<]+)</\1>/
【讨论】：
以上是关于特定标签及其内容的正则表达式，按标签名称分组的主要内容，如果未能解决你的问题，请参考以下文章
用于查找 HTML 标签及其内容的正则表达式的否定 - java