正则表达式 包含在 XML 元素中

Posted 2023-04-13

【中文标题】正则表达式 包含在 XML 元素中

【英文标题】：Regex Contains in the XML element

【发布时间】：2017-11-07 07:53:03

【问题描述】：

如何在正则表达式中使用“contains”（“Contains”或“%like%”）？

我有一个正则表达式来匹配 XML 节点和确切的文本：

<([\w]+)[^>]*>sample<\/\1>

它会产生准确的节点名称，但我想像在 C# 和 SQL (%LIKE%) 中一样应用正则表达式。

文字：

    <Part>this is sample part</Part>
    <Remarks>this is sample remark</Remarks>
    <Notes>this is sample notes</Notes>
    <Desc>sample</Desc>

预期的正则表达式结果应该返回以上所有节点，但目前它只返回最后一个节点。

我创建了a sample here to test。

【问题讨论】：

作业工具错误。正则表达式不是 XML 解析器，也不可能。

为什么不使用 XPath？ //*[contains(text(), "sample")]/local-name()

@WiktorStribiżew 谢谢，正在尝试使用 Xpath

关于 XML 部分的另一个注意事项：考虑一个文件，其中 XML 的格式不是很好的多行，而是所有节点都在一行中......或者类似地，一个 XML 节点内容跨越多行.如果你认为你在这两种情况下都有一个有效的正则表达式，让我们做一些嵌套："<Notes>this is <SubNote>i'm a hacky sample</SubNote> sample notes</Notes>".

使用 xml linq 并使用包含字符串的 where 进行搜索。在使用 Regex 之前始终使用字符串方法。始终使用 eXmlDocument 类、XDocument 类、XmlReader 或 XmlSerialization 解析 xml。

【参考方案1】：

您可以像这样使用XDocument 来解析 XML：

var s = @"<?xml version=""1.0""?>
  <root>
    <Part>this is sample part</Part>
    <Remarks>this is sample remark</Remarks>
    <Notes>this is sample notes</Notes>
    <Desc>sample</Desc>
  </root>";
var document = XDocument.Parse(s);
var names = document.Descendants()
               .Elements()
               .Where(x => x.Value.Contains("sample")) // all nodes with text having sample
               .Select(a => a.Name.LocalName); // return the local names of the nodes
Console.WriteLine(string.Join("\n", names));

打印出来：

同样可以使用 XPath 实现：

var names2 = document.Root.XPathSelectElements("//*[contains(text(), \"sample\")]");
var results = names2.Select(x => x.Name.LocalName));

要在 XML 无效的情况下回退到正则表达式，请使用

<(?:\w+:)?(\w+)[^<]*>[^<]*?sample[^<]*</(?:\w+:)?\1>

请参阅regex demo。注意(?:\w+:)? 匹配打开和关闭标记节点中的任意命名空间。 [^<] 匹配除< 之外的任何字符，因此不会溢出到下一个节点。

【讨论】：

糟糕的是，这个问题是专门关于正则表达式的......仍然这种方法更适合我必须 +1 的工作:)

@wiktor 只是一个简单的问题，？性能方面哪个是最好的选择？ Linq/正则表达式/Xpath。因为我正在处理大量 XML 文件来搜索文本

当您处理有效的 XML 文件时，我宁愿使用带有 LINQ 的 XML 解析器。如果您必须处理有效或无效的 XML 文件，正则表达式可以提供帮助，速度将取决于内容、XML 大小和运气。注意我每天都必须处理无效的 XML，并且我将正则表达式与 XML 一起使用——但它不是常规的 XML，它是 TMX 文件格式，并且我为它们手动构建了一个特殊的解析器。而且性能还不错。

@WiktorStribiżew 同样在这里，有时我们会收到一些无效的 XML 格式，这就是选择正则表达式来匹配搜索字符串的原因。让我继续使用正则表达式。非常感谢

【参考方案2】：

您正在寻找任何标签内的“sample”字符串的完全匹配，而不是包含“sample”作为子字符串的字符串。您可以按以下方式修复您的表达式以获取所有行：

<([\w]+)[^>]*>[a-zA-Z ]*sample[a-zA-Z ]*<\/\1>

【讨论】：

我宁愿使用[^<] 而不是[a-zA-Z ] 占位符...或者只是不贪婪地接受任何东西。这仍然只是对给定示例的修复。使用任意 XML，任何正则表达式都会在某处失败。

一旦sample之前有一个数字或标点符号，由于[a-zA-Z ]*，将不会有任何匹配。

我同意你的看法，它当然不能涵盖所有情况 - 例如，也可能有标点符号等 - 但它给出了问题所在以及如何涵盖特定输入的想法在问题中提供。

@grek40 无论任何字符，它都会发挥作用，感谢输入 ]*>[^