用于检查 html 标记中的属性的正则表达式

Question

在 HTML 源代码中，我需要提取 FONT 标记内的任何简单文本，其中包含（不多也不少）这 3 个属性，顺序不限：size=5、color="red"、face="verdana" .

因此，例如，正则表达式必须提取除最后四个之外的所有以下“随机文本”。

<font size=5 color="red" face="verdana">randomtext</font>
<font size=5 face="verdana" color="red">randomtext</font>
<font color="red" size=5 face="verdana">randomtext</font>
<font color="red" face="verdana" size=5>randomtext</font>
<font face="verdana" size=5 color="red">randomtext</font>
<font face="verdana" color="red" size=5>randomtext</font>
<font size=5 size=5 size=5>randomtext</font>
<font face="verdana" color="red" size=5 foobar="random">randomtext</font>
<font face="verdana" color="red" size=5 foobar="random=pippo">randomtext</font>
<font face="verdana" color="red" size=5 garbagetext>randomtext</font>

我通过使用 3 个前瞻解决了“按任意顺序”问题：

<font(?=[^>]* size=5)(?=[^>]* color="red")(?=[^>]* face="verdana")[^>]*>([^<]+)</font>

...或者更多的 html 灵活性：

<\s*font(?=[^>]*\s+size\s*=\s*5)(?=[^>]*\scolor\s*=\s*["']red["'])(?=[^>]*\sface\s*=\s*["']verdana["'])[^>]*>\s*([^<]+?)\s*<\s*/font\s*>

问题是它也匹配最后三个。 如何排除那些匹配？ （显然，以一种通用且合理的简短/有效方式，即不使用所有可能的正面组合，也不使用仅适用于我的示例的字面负面表达）

Answer 1

一种方式，也根据谁说正则表达式不是这项工作的工具：

script.pl 的内容（里面有正则表达式并解释）：

use warnings;
use strict;

while ( <DATA> ) {
    printf qq[Text matched: %s\t (original string: %s)\n], $1, $& if 
    m/ 
        # At begin of line, '<' character plus optional space.
        \A < \s*
        # Literal 'font' word.
        font
        # Mandatory space.
        \s+
        # Positive look-ahead for string 'size=5'
        (?= .* size \s* = \s* 5 (?:\s+|>) )   
        # Positive look-ahead for string 'face="verdana"'
        (?= .* face \s* = \s* "verdana" (?:\s+|>) )
        # Positive look-ahead for string 'color="red"'
        (?= .* color \s* = \s* "red" (?:\s+|>) )
        # If last three look-ahead succeed, match them.
        (?:size\s*=\s*5\s*|color\s*=\s*"red"\s*|face\s*=\s*"verdana"\s*){3}
        # Literal '>' character.
        >
        # Text between tags.
        ([^>]+)
        # Close tag and match end of string.
        <\/font> \Z
    /x;
}

__DATA__
<font size=5 color="red" face="verdana">randomtext</font>
<font size=5 face="verdana" color="red">randomtext</font>
<font color="red" size=5 face="verdana">randomtext</font>
<font color="red" face="verdana" size=5>randomtext</font>
<font face="verdana" size=5 color="red">randomtext</font>
<font face="verdana" color="red" size=5>randomtext</font>
<font size=5 size=5 size=5>randomtext</font>
<font face="verdana" color="red" size=5 foobar="random">randomtext</font>
<font face="verdana" color="red" size=5 foobar="random=pippo">randomtext</font>
<font face="verdana" color="red" size=5 garbagetext>randomtext</font>

像这样运行它：

perl script.pl

结果如下：

Text matched: randomtext         (original string: <font size=5 color="red" face="verdana">randomtext</font>)
Text matched: randomtext         (original string: <font size=5 face="verdana" color="red">randomtext</font>)
Text matched: randomtext         (original string: <font color="red" size=5 face="verdana">randomtext</font>)
Text matched: randomtext         (original string: <font color="red" face="verdana" size=5>randomtext</font>)
Text matched: randomtext         (original string: <font face="verdana" size=5 color="red">randomtext</font>)
Text matched: randomtext         (original string: <font face="verdana" color="red" size=5>randomtext</font>)

Answer 2

你意识到这变得越来越困难了吗？如果你还有其他可能，那就用吧！

对于正则表达式，试试这个：

<font(?=[^>]* size=5)(?=[^>]* color="red")(?=[^>]* face="verdana")(?![^>]*(?<!color|size|face)=)(?:\s+[^>\s=]+=[^>\s=]+\s*)+>([^<]+)</font>

看here on Regexr

我添加/更改了两件事：

1. (?![^>]*(?<!color|size|face)=) 是一个负前瞻，在断言后面有一个嵌套的负前瞻，当前面没有颜色、大小或面时，它不允许使用等号。

2. 我将与属性匹配的[^>]* 更改为(?:\s+[^>\s=]+=[^>\s=]+\s*)+，使其仅匹配不包含等号的非空白序列。