用于仅提取带有 TD 的 TR 的正则表达式答案

【问题标题】：Regex for extracting only TR with TDs用于仅提取带有 TD 的 TR 的正则表达式
【发布时间】：2010-11-25 11:28:06
【问题描述】：

早安

我正在尝试获取必须具有一个或多个表格单元格 (TD) 的表格行 (TR)：

有这个字符串

<TABLE>
<TR valign="top">
  <TH>First</TH>
  <TH>2nd</TH>
  <TH>3rd</TH>
  <TH>4th</TH>
</TR>
<TR valign="top">
  <TD width="15%">Michael Jackson</TD>
  <TD width="5%">Cramberries</TD>
  <TD width="25%">Pixies</TD>
  <TD width="45%">The Ramones</TD>
</TR>
</TABLE>

我想得到：

<TR valign="top">
  <TD width="15%">Michael Jackson</TD>
  <TD width="5%">Cramberries</TD>
  <TD width="25%">Pixies</TD>
  <TD width="45%">The Ramones</TD>
</TR>

用嵌套的 TD 提取一个或多个 TR 的最佳模式是什么？

【问题讨论】：

Thou shalt not use regex to parse HTML。在你的语言中使用一些 DOM 操作库。
@Jan 在 C# 中用于解析 HTML 字符串
请看这个答案stackoverflow.com/questions/1732348/…

标签： c# html regex text-extraction

【解决方案1】：

<tr(\s[^>*)?>.*?<td(\s[^>]*)?>.*?</tr(\s[^>]*)?> 应该可以工作，但设置不区分大小写和多行标志。

但我完全同意 Jan 的上述评论。使用 html 解析器，它将更加健壮和可读。

【讨论】：

那行不通？ Regex.Matches("<table><TR valign=\"top\"><TD width=\"15%\">Michael Jackson</TD><TD width=\"5%\">Cramberries</TD><TD width=\"25%\">Pixies</TD><TD width=\"45%\">The Ramones</TD></TR></table>", @"<tr(\s[^>*)?>.*?<td(\s[^>]*)?>.*?</tr(\s[^>]*)?>", RegexOptions.Multiline | RegexOptions.IgnoreCase)

【解决方案2】：

这个正在工作

Regex.Matches(sourceHtmlString, @"(?<1><TR[^>]*>\s*<td.*?</tr>)", 
              RegexOptions.Singleline | RegexOptions.IgnoreCase)

【讨论】：

【解决方案3】：

这到底是在哪里运行的？如果您在浏览器中运行它，在 Javascript 中，有比正则表达式更好的方法（例如 tr:has(td) 上的 jQuery 选择器作为随机示例）

如果您在服务器端环境中运行它，例如PHP，正则表达式都可以。

类似：(]+>.?)

我建议的原因是，与其他任何事情相反 - 你想获得整个内容，所以将整个内容放在括号中，TR 和 TD 可能有也可能没有宽度，确定这些事情永远不会有坏处.

.*?在大多数正则表达式引擎中，构造应该是非贪婪的，因此匹配符合的最小字符串 - 这应该防止 ... 被匹配。仍然需要设置多行和不区分大小写，通常是 m 和 i。（不过，我还没有测试过）

但正如 robert 指出的那样，在服务器端，适当的 HTML 解析器会更好，DOM 或 XML 扩展都应该能够处理它。

【讨论】：

【解决方案4】：

这不是正则表达式会做的事情。例如，尝试将您的文本与<tr[^>]*>.*?<td[^>]*>.*?</tr> 匹配将匹配<th> 行和第一个<td> 行。您应该首先匹配行，然后尝试在每一行中搜索<td>。

或者，更好的是，使用 HTML 解析器。 HTML 不是regular language，不能真正被正则表达式解析。

【讨论】：

常规语言不适用于现代正则表达式，也不适用于(.)\1。
是的，“现代”正则表达式可以匹配的不仅仅是正则语言，但它们仍然无法处理非平凡的 HTML。