使用 RegEx 查找两个 XML 标记之间的所有内容

Posted 2023-02-24

【中文标题】使用 RegEx 查找两个 XML 标记之间的所有内容

【英文标题】：Find everything between two XML tags with RegEx

【发布时间】：2012-10-25 20:24:04

【问题描述】：

在RegEx 中，我想找到两个XML tags 之间的标记和所有内容，如下所示：

<primaryAddress>
    <addressLine>280 Flinders Mall</addressLine>
    <geoCodeGranularity>PROPERTY</geoCodeGranularity>
    <latitude>-19.261365</latitude>
    <longitude>146.815585</longitude>
    <postcode>4810</postcode>
    <state>QLD</state>
    <suburb>Townsville</suburb>
    <type>PHYSICAL</type>
</primaryAddress>

我想找到标签和primaryAddress 之间的所有内容，然后将其删除。

primaryAddress 标签之间的所有内容都是一个变量，但我想在收到primaryAddress 时删除整个标签和子标签。

有人知道怎么做吗？

【问题讨论】：

RegEx match open tags except Xhtml self-contained tags的可能重复

【参考方案1】：

在我们的例子中，我们收到一个String 形式的 XML，并且需要删除具有一些“特殊”字符的值，例如 &<> 等。基本上有人可以以这种形式向我们提供 XML：

<notes>
  <note>
     <to>jenice & carl </to>
     <from>your neighbor <; </from>
  </note>
</notes>

所以我需要在 String 中找到值 jenice & carl 和 your neighbor <; 并正确转义 & 和 <（否则，如果您稍后将其传递给应重命名的引擎，这是一个无效的 xml未命名）。

开始时使用正则表达式是一个相当愚蠢的想法，但它既便宜又容易。所以那些愿意和我做同样事情的勇敢的人，来吧：

    String xml = ...
    Pattern p = Pattern.compile("<(.+)>(?!\\R<)(.+)</(\\1)>");
    Matcher m = p.matcher(xml);
    String result = m.replaceAll(mr -> 
        if (mr.group(2).contains("&")) 
            return "<" + m.group(1) + ">" + m.group(2) + "+ some change" + "</" + m.group(3) + ">";
        
        return "<" + m.group(1) + ">" + mr.group(2) + "</" + m.group(3) + ">";
    );

【参考方案2】：

这个方法不好用但是如果你真的想用正则表达式拆分

<primaryAddress.*>((.|\n)*?)<\/primaryAddress>

经过验证的答案返回标签，但这只是返回标签之间的值。

【参考方案3】：

这可以捕获最外层的标签对，即使在侧面有属性或没有结束标签

(<!--((?!-->).)*-->|<\w*((?!\/<).)*\/>|<(?<tag>\w+)[^>]*>(?>[^<]|(?R))*<\/\k<tag>\s*>)

编辑：正如上面评论中提到的，正则表达式总是不足以解析 xml，试图修改正则表达式以适应更多情况只会使其更长但仍然无用

【参考方案4】：

使用正则表达式进行 HTML/XML 解析不是一个好主意...

但是，如果你想这样做，搜索正则表达式模式

<primaryAddress>[\s\S]*?<\/primaryAddress>

并用空字符串替换它...

【讨论】：

出于好奇：为什么使用正则表达式进行 HTML/XML 解析不是一个好主意？

@G_G >> ***.com/questions/1732348/…

欧米茄，我只是想获得有关正则表达式的一般信息，我只是说我使用 textmate 来回应人们标记我的问题，因为使用正则表达式是个坏主意。我知道这是一个坏主意，但我在不同的环境中使用它。

以防万一您不认识它，*? 表示匹配所有内容，直到第一次出现 </primaryAddress>（非贪婪匹配）。如果您的文件中有多个 <primaryAddress> 元素，这一点很重要。谢谢，@Ωmega。

@Ωmega 同意正则表达式和 xml 不是最好的朋友。但是，在您的回答的帮助下，我在大约 5 秒内通过我的 IDE（IntelliJ IDEA）用空行替换了 40-50 个标签。在这些情况下，这个 regex 和 xml 会很有用。

【参考方案5】：

你应该可以匹配到：/<primaryAddress>(.+?)<\/primaryAddress>/

标签之间的内容将在匹配的组中。

【讨论】：

显然，即使对于问题中的示例，它也不起作用。 .+ 与回车符不匹配。

您将使用多行标志。