如何在文本前缀后找到包含特定文本的 HTML div？

Question

我有以下字符串：

<div> text0 </div> prefix <div> text1 <strong>text2</strong> text3 </div> text4

并想知道它是否包含 text3 在前缀后面的 div 中：

prefix<div>...text3...</div>

但我不知道如何为此制作正则表达式，因为我不能使用[^<]+，因为 div 可以在里面包含strong 标签。

请帮忙

编辑：

1. 前缀后的div标签保证不嵌套
2. 语言是 C#
3. Text4 很长，所以 regex 一定不要在关闭 div 后查看

EDIT2：我不想使用 html 解析器，它可以通过 Regex 轻松（并且更快）实现。 HTML 很简单：标签中没有属性；没有嵌套 div。在我的情况下，即使有 % 的错误答案也是可以接受的。

Answer 1

如果你关闭“贪婪”选项，你应该可以使用prefix<div>.*text3.*</div> 之类的东西。 （如果允许<div> 有属性，请改用prefix<div[^>]*>.*text3.*</div>。）

可以对此进行大量改进，以考虑不寻常的间距、引号内的>s、引号内的</div>等。

prefix<div>...<div></div>text3</div> 这样的模式会更难。您可能必须捕获所有出现的 div 标记，以便计算在给定时间打开了多少 div 标记。

编辑：糟糕，关闭贪婪选项并不总是会给出正确的结果，即使在上述示例之外的示例中也是如此。最好只捕获所有出现的div 标签并从那里开始。正如 Peter 上面提到的，HTML 不是 regular language，因此您不能使用正则表达式来做任何您想做的事情。

Answer 2

这是我的新正则表达式：

prefix<div>([^<]*<(?!/div>))*[^<]*text3([^<]*<(?!/div>))*[^<]*</div>

似乎工作正常。

Answer 3

对于 C# + HtmlAgilityPack，您可以执行以下操作：

InputString = Regex.Replace(InputString,"^(?:[^<]+?|<[^>]*>)*?prefix","");

HtmlDocument doc = new HtmlDocument();

doc.LoadHtml(InputString);

HtmlNode node = doc.DocumentNode.SelectSingleNode("//div[contains('text3')]");

去除前缀仍然不是处理它的好方法。理想情况下，您会使用 HtmlAgilityPack 来查找 prefix 在 DOM 中出现的位置，将其翻译以提供字符串中的位置，然后执行 substring(pos,len) （或等效项）以仅查看相关文本（您也可以避免使用类似的方法查看 text4）。
恐怕我现在无法将所有这些都翻译成代码。希望其他人可以提供帮助。

---

（原始答案，在提供额外细节之前）
这是一个 JavaScript + jQuery 解决方案：

var InputString = '<div>text0 </div> prefix <div>text1 <strong>text2</strong> text3 </div> text4';

InputString = InputString.replace(/^.*?prefix/,'');

var MatchingDivs = jQuery('div:contains(text3)','<div>'+InputString+'</div>')

console.log(MatchingDivs.get());

这利用了 jQuery 接受 context as second argument 的能力（尽管看起来这需要被包裹在 div 标记中才能真正起作用）。