正则表达式 (C#)：匹配 > < 或（非法 XML 字符）但仅当包含在引号内时

Posted 2023-02-24

【中文标题】正则表达式 (C#)：匹配 > < 或（非法 XML 字符）但仅当包含在引号内时

【英文标题】：Regex (C#): match > < & (illegal XML chars) but only when contained within qutoes

【发布时间】：2017-06-25 12:55:23

【问题描述】：

我需要对转义的 XML 字符 > < 和 & 进行替换，但前提是它们包含在单引号中。这很重要，因为当 > 和< 是开始和结束标记时，正则表达式模式不应该能够找到它们。

例如，给定字符串<Element><Element value="'hello&stack<overflow>'"/></Element>

我应该只得到单引号 ' 内的 > < 和 &。 这样我就可以用正确的 & < 和 > 替换它们（长话短说，这是发生混乱的 XML 解析的结果）。

我知道我可以使用 '(.*)' 来获取单引号之间的所有字符，但现在我如何才能只提取其中的转义字符。

【参考方案1】：

您可以将标签名称与所有后续属性名称/值匹配，并且仅替换值内的 < 和 >（或名称，取决于您的数据的混乱程度）。

这可以在Regex.Replace匹配评估器中完成：

var s = "<Element><Element value=\"'hello&stack<overflow>'\" value=\"'hi&stack<over flow2 >'\"/></Element>";
var rx = @"((?:<[a-zA-Z][\w:-]*|\G(?!\A))\s+[^\s=<]*=)(""[^""]*"")";
var clean = Regex.Replace(s, rx, m => 
    string.Format("01", m.Groups[1].Value, m.Groups[2].Value.Replace("&", "&amp;").Replace("<", "&lt;").Replace(">", "&gt;"))
);
 // => <Element><Element value="'hello&amp;stack&lt;overflow&gt;'" value="'hi&amp;stack&lt;over flow2 &gt;'"/></Element>

见C# demo

这里是regex demo。详情：

((?:<[a-zA-Z][\w:-]*|\G(?!\A))\s+[^\s=<]*=) - 第 1 组： (?:<[a-zA-Z][\w:-]*|\G(?!\A)) - <、ASCII 字母、0+ 字字符、: 或 -（参见 <[a-zA-Z][\w:-]*）或 (|) 上一个成功匹配的结尾（参见 @987654335 @) \s+ - 1+ 个空格 [^\s=<]*= - 除了空格之外的 0+ 个字符，= 和 < ("[^"]*") - 第 2 组： "[^"]*" - 一个"，除" 之外的0+ 个字符，然后是"

【讨论】：

也检查一下这个：***.com/questions/42065310/…

太棒了。这是我永远无法弄清楚的事情。谢谢！

【参考方案2】：

它适用于这种情况。如果您可以添加更多输入，我们也可以改进和覆盖它们。

检查一下：

(?<!^)(>|<|&)(?=.*')

演示：

https://regex101.com/r/EgXlcD/2

【讨论】：

糟糕，我说得太早了，我用一个不起作用的案例编辑了这个例子。

@MH175 使用正则表达式可能有点困难。使用 xml 解析器可以很容易地完成。我没有接触过 C#，或者会为你做。检查这个：***.com/questions/642293/…

不幸的是，这就是问题所在。在我更正这些错误之前，解析器（XDocument）甚至不会运行，并抛出异常，因为它遇到了所有这些非法字符。 link

编辑：除非你是Wiktor Stribiżew，否则使用正则表达式可能会很困难