从字符串中提取 HTML 标记名称

Posted 2023-02-24

【中文标题】从字符串中提取 HTML 标记名称

【英文标题】：Extract an HTML tag name from a string

【发布时间】：2015-05-12 13:35:34

【问题描述】：

我想从带有属性的 html 标记中提取标记名称。

比如我有这个标签

 <a href="http://chat.***.com" class="js-gps-track"     data-gps-track="site_switcher.click( item_type:6 )"
>

我需要提取标签名称a

我尝试了以下正则表达式，但它不起作用。

if ( $raw =~ /^<(\S*).*>$/ ) 
   print "$1 is tag name of string\n";

我的代码有什么问题？

【问题讨论】：

已经说过一千遍了，但显然需要重复：不要使用正则表达式来处理 XML/HTML。对于 HTML，我会选择 HTML::TreeBuilder，因为它可以容忍在现实世界中发现的那种格式错误的 HTML。

【参考方案1】：

您的正则表达式与新行不匹配。您必须使用 s 标志（单行），但由于您的正则表达式是贪婪的，它也不起作用，我也会删除锚点，因为它可能是同一行中的多个标签。

您可以像这样使用正则表达式：

<(\w+)\s+\w+.*?>

Working demo

支持 Borodin 的评论，您不应该使用正则表达式来解析 html，因为您可能会遇到解析问题。您可以使用正则表达式来解析像您一样的简单标签，但如果您有带有嵌入标签（如<a asdf<as<asdf>df>>）的文本，这很容易被破坏，在这种情况下，正则表达式将错误地匹配标签a

这个正则表达式背后的想法是强制标签至少有一个属性

【参考方案2】：

let matchTagName = (markup) => 
  const pattern = /<([^\s>]+)(\s|>)+/
  return markup.match(pattern)[1]


matchTagName("<test>") // "test"
matchTagName("<test attribute>") // "test"
matchTagName("<test-dashed>") // "test-dashed"

【参考方案3】：

您也可以尝试以下方法；它将匹配标签名称（始终）+ 属性（如果存在）。

\<(?<name>\w+)(?<attributes>\s+[^\>]*|)\>