RegEx 匹配打开的标签，XHTML 自包含标签除外

Posted 2023-03-13

【中文标题】RegEx 匹配打开的标签，XHTML 自包含标签除外

【英文标题】：RegEx match open tags except XHTML self-contained tags

【发布时间】：2010-12-16 11:36:23

【问题描述】：

我需要匹配所有这些开始标签：

<p>
<a href="foo">

但不是这些：

<br />
<hr class="foo" />

我想出了这个并想确保我做对了。我只捕获a-z。

<([a-z]+) *[^/]*?>

我相信它说：

找一个小于，然后 查找（并捕获）a-z 一次或多次，然后 找到零个或多个空格，然后 找到任意字符零次或多次，贪心，除了/，然后 查找大于

我有这个权利吗？更重要的是，你怎么看？

【参考方案1】：

正如许多人已经指出的那样，html 不是一种常规语言，因此很难解析。我对此的解决方案是使用整洁的程序将其转换为常规语言，然后使用 XML 解析器来使用结果。有很多很好的选择。我的程序是使用带有jtidy 库的Java 编写的，用于将HTML 转换为XML，然后将Jaxen 转换为xpath 为结果。

【参考方案2】：

虽然您无法使用正则表达式解析 HTML 的答案是正确的，但它们并不适用于此。 OP 只想用正则表达式解析一个 HTML 标记，而这可以通过正则表达式完成。

建议的正则表达式是错误的：

<([a-z]+) *[^/]*?>

如果你在正则表达式中添加一些东西，通过回溯可以强制它匹配愚蠢的东西，比如<a >>，[^/] 太宽松了。还要注意<space>*[^/]* 是多余的，因为[^/]* 也可以匹配空格。

我的建议是

<([a-z]+)[^>]*(?<!/)>

(?<! ... ) 是（在 Perl 正则表达式中）否定的后视。它读作“一个的东西，最后一个可能不是/，然后是>”。

请注意，这允许 <a/ > 之类的内容（就像原始的正则表达式一样），因此如果您想要更严格的内容，您需要构建一个正则表达式来匹配由空格分隔的属性对。

【讨论】：

+1 指出问题不在于解析完整的 (X)HTML，而在于匹配 (X)HTML 开放标签。

其他大多数答案似乎都忽略了，即 HTML 解析器可以很好地在其实现中使用正则表达式来处理部分 HTML，如果大多数解析器不这样做，我会感到惊讶.

当属性值包含“>”或“/”字符时，此处给出的答案将失败。

这将在包含 cmets 或 CData 部分的 HTML 上无法正常工作。如果带引号的属性包含> 字符，它也将无法正常工作。我同意 OP 的建议 可以 用正则表达式来完成，但这里介绍的过于简单化了。

<h1> 标签想和你说一句话（我知道，很容易修复，但仍然如此）...

【参考方案3】：

试试：

<([^\s]+)(\s[^>]*?)?(?<!/)>

和你的类似，但最后一个>不能在斜线之后，也接受h1。

【讨论】：

哎呀

> 在属性值中有效。事实上，在“规范 XML”序列化中，您不能使用 >。 （这并不完全相关，只是要强调属性值中的> 一点也不稀奇。）

@Kobi: 正则表达式中的感叹号（你放在末尾的那个）是什么意思？

@bobince：你确定吗？我不明白了，这也是有效的 HTML：<div title="this tag is a <div></div>">hello</div>

@MarcoDemaio - > 不必在属性值中转义，但 < 可以。所以这将是有效的 HTML：<div title="this tag is a <div></div>">hello</div>

【参考方案4】：

我不知道您对此的确切需求，但如果您也在使用 .NET，您不能使用 Html Agility Pack 吗？

摘录：

这是一个 .NET 代码库，允许 您解析“网络之外”的 HTML 文件。解析器非常宽容 使用“真实世界”格式错误的 HTML。

【讨论】：

CodePlex 关闭（但这个在 CodePlex 存档中）。也许更新？

【参考方案5】：

我之前使用了一个名为HTMLParser 的开源工具。它旨在以各种方式解析 HTML 并很好地服务于目的。它可以将 HTML 解析为不同的树节点，您可以轻松地使用它的 API 从节点中获取属性。检查一下，看看这是否对您有帮助。

【参考方案6】：

在我看来，您正在尝试匹配末尾没有“/”的标签。试试这个：

<([a-zA-Z][a-zA-Z0-9]*)[^>]*(?<!/)>

【讨论】：

这不起作用。对于输入 '' 匹配的是 x 和 y，尽管 x 已终止。

【参考方案7】：

<?php
$selfClosing = explode(',', 'area,base,basefont,br,col,frame,hr,img,input,isindex,link,meta,param,embed');

$html = '
<p><a href="#">foo</a></p>
<hr/>
<br/>
<div>name</div>';

$dom = new DOMDocument();
$dom->loadHTML($html);
$els = $dom->getElementsByTagName('*');
foreach ( $els as $el ) 
    $nodeName = strtolower($el->nodeName);
    if ( !in_array( $nodeName, $selfClosing ) ) 
        var_dump( $nodeName );
    

输出：

string(4) "html"
string(4) "body"
string(1) "p"
string(1) "a"
string(3) "div"

基本上只定义自闭的元素节点名称，将整个 html 字符串加载到 DOM 库中，抓取所有元素，循环并过滤掉非自闭的元素并对其进行操作。

我相信你现在已经知道你不应该为此使用正则表达式。

【讨论】：

如果你正在处理真正的 XHTML，那么在 getElementsByTagName 后面加上 NS 并指定命名空间。