正则表达式：如果某个字符在引号内，则不匹配它

Question

披露：我已在 SO 上多次阅读 this answer，并且我知道最好不要使用正则表达式来解析 HTML。这个问题只是为了拓宽我对正则表达式的了解。

假设我有这个字符串：

some text <tag link="fo>o"> other text

我想匹配整个标签，但如果我使用<[^>]+>，它只会匹配<tag link="fo>。

如何确保引号内的> 可以被忽略。

我可以简单地编写一个带有 while 循环的解析器来执行此操作，但我想知道如何使用正则表达式。

Answer 1

如果您希望它与转义双引号一起使用，请尝试：

/>(?=((?:[^"\\]|\\.)*"([^"\\]|\\.)*")*([^"\\]|\\.)*$)/g

例如：

const gtExp = />(?=((?:[^"\\]|\\.)*"([^"\\]|\\.)*")*([^"\\]|\\.)*$)/g;
const nextGtMatch = () => ((exec) => {
    return exec ? exec.index : -1;
})(gtExp.exec(xml));

如果您要解析一堆 XML，您需要设置 .lastIndex。

gtExp.lastIndex = xmlIndex;
const attrEndIndex = nextGtMatch(); // the end of the tag's attributes

Answer 2

(<.+?>[^<]+>)|(<.+?>)

您可以创建两个正则表达式，而不是使用“|”将它们放在一起， 在这种情况下：

(<.+?>[^<]+>)   #will match  some text <tag link="fo>o"> other text
(<.+?>)         #will match  some text <tag link="foo"> other text

如果第一个大小写匹配，它不会使用第二个正则表达式，所以请确保将特殊情况放在首位。

Answer 3

正则表达式：

<[^>]*?(?:(?:('|")[^'"]*?\1)[^>]*?)*>

在线演示：

http://regex101.com/r/yX5xS8

完整解释：

我知道这个正则表达式可能会让人头疼，所以这是我的解释：

<                      # Open HTML tags
    [^>]*?             # Lazy Negated character class for closing HTML tag
    (?:                # Open Outside Non-Capture group
        (?:            # Open Inside Non-Capture group
            ('|")      # Capture group for quotes, backreference group 1
            [^'"]*?    # Lazy Negated character class for quotes
            \1         # Backreference 1
        )              # Close Inside Non-Capture group
        [^>]*?         # Lazy Negated character class for closing HTML tag
    )*                 # Close Outside Non-Capture group
>                      # Close HTML tags

Answer 4

这是对 Vasili Syrakis 答案的轻微改进。它完全分别处理"…" 和'…'，并且不使用*? 限定符。

正则表达式

<[^'">]*(("[^"]*"|'[^']*')[^'">]*)*>

演示

http://regex101.com/r/jO1oQ1

说明

<                    # start of HTML tag
    [^'">]*          #   any non-single, non-double quote or greater than
    (                #   outer group
        (            #     inner group
            "[^"]*"  #       "..."
        |            #      or
            '[^']*'  #       '...'
        )            #
        [^'">]*      #   any non-single, non-double quote or greater than
    )*               #   zero or more of outer group
>                    # end of HTML tag

此版本略比 Vasilis 的版​​本更好，因为"…" 中允许使用单引号，'…' 中允许使用双引号，并且像 <a href='> 这样的（不正确的）标签将不匹配。

这比 Vasili 的解决方案略差，因为组被捕获了。如果您不希望这样，请在所有位置将( 替换为(?:。 （仅使用( 会使正则表达式更短，并且更具可读性）。