如何使用 RegExp 从嵌套的类似 HTML 的元素中检索值的集合？答案

【问题标题】：How can I retrieve a collection of values from nested HTML-like elements using RegExp?如何使用 RegExp 从嵌套的类似 HTML 的元素中检索值的集合？
【发布时间】：2008-12-04 13:15:58
【问题描述】：

我在为以下任务创建正则表达式时遇到问题：

假设我们有类似 HTML 的文本：

<x>...<y>a</y>...<y>b</y>...</x>

我想获取位于给定<x> 标记内的<y></y> 标记内的值集合，因此上述示例的结果将是两个元素["a","b"] 的集合。

此外，我们知道：

<y>标签不能包含在其他<y>标签中
... 可以包含任何文本或其他标签。

如何使用 RegExp 实现这一点？

【问题讨论】：

标签： html regex parsing

【解决方案1】：

这是HTML/XML parser 的工作。你可以用正则表达式来做，但是会很麻烦。我链接的页面中有示例。

【讨论】：

很遗憾，不能保证文本是有效的 XML 格式，也不是 HTML 格式
好吧，假设它是 HTML，标准答案是通过 Tidy 运行它。使用 --clean，Tidy 只输出应该可以被几乎任何 HTML/XML 包解析的有效 XHTML。
+1 这个 - 为什么现在每个人都想用正则表达式解析 XML？
首先，正如我所说 - 这不是 XML。其次，我不想参与使用任何工具处理此文本以将其转换为良好的 HTML/XML，只是为了能够使用标准 HTML/XML 库对其进行解析。这是开销。我所说的文字小而简单。 RegEx 正是这里匹配的内容。
当您有无限数量的潜在匹配时，处理和解析将比正则表达式简单得多。在为自己制造更多问题之前，请先试用专为解决此问题而设计的工具。

【解决方案2】：

我相信你的话：

"y" tags cannot be enclosed in other "y" tags

input looks like: <x>...<y>a</y>...<y>b</y>...</x>

以及其他所有内容也不嵌套且格式正确的事实。（免责声明：如果不是，那不是我的错。）

首先，找到任何 X 标记的内容，并在此匹配项上循环：

<x[^>]*>(.*?)</x>

然后（在循环体中）从上面的“外部”匹配项的匹配组 1 中找到任何 Y 标记：

<y[^>]*>(.*?)</y>

伪代码：

input = "<x>...<y>a</y>...<y>b</y>...</x>"
x_re  = "<x[^>]*>(.*?)</x>"
y_re  = "<y[^>]*>(.*?)</y>"

for each x_match in input.match_all(x_re)
  for each y_match in x_match.group(1).value.match_all(y_re)
    print y_match.group(1).value
  next y_match
next x_match

伪输出：

a
b

cmets 的进一步说明表明，在任何 X 元素中都存在任意数量的 Y 元素。这意味着没有一个正则表达式可以匹配它们并且提取它们的内容。

【讨论】：

谢谢。从一开始就没有提到它，但我确实了解如何使用循环来实现目标。但我 100% 确定有一个使用单一“匹配”操作的解决方案——这就是我想要弄清楚的 :)
如果 Y 元素的数量没有硬性限制，那么就没有正则表达式唯一的解决方案。是什么让你如此确定存在？也许这个问题缺少更多细节。
正如我所说，您的问题缺少有关您希望处理的字符串的确切结构的一些细节。
“y”标签的数量没有限制（因此结果集合大小没有限制）。您认为我还需要提供哪些其他详细信息？
嵌套或不嵌套，元素可以有或没有属性，是机器生成的还是用户输入的，最后但同样重要的是：你真的想做什么？也许有比正则表达式更好的方法可以让你到达那里。

【解决方案3】：

简短：使用 XPath :)

【讨论】：

他在对@Bill the Lizard 的评论中说“文本不能保证是有效的 XML”

【解决方案4】：

如果我们知道您使用的语言或工具会有所帮助；在语法、语义和功能上有很多变化。这是用 Java 实现的一种方法：

String str = "<y>c</y>...<x>...<y>a</y>...<y>b</y>...</x>...<y>d</y>";
String regex = "<y[^>]*+>(?=(?:[^<]++|<(?!/?+x\\b))*+</x>)(.*?)</y>";
Matcher m = Pattern.compile(regex).matcher(str);
while (m.find())
{
  System.out.println(m.group(1));
}

一旦我匹配了<y>，我使用前瞻来确认前面某处有</x>，但在当前位置和它之间没有<x>。假设伪 HTML 格式合理，这意味着当前匹配位置在 "x" 元素内。

我大量使用所有格量词，因为它们让这样的事情变得更容易，但正如你所见，正则表达式仍然有点像怪物。除了 Java，我所知道的支持所有格量词的唯一正则表达式风格是 PHP 和 JGS 工具（RegexBuddy/PowerGrep/EditPad Pro）。另一方面，许多语言都提供了一次获取所有匹配项的方法，但在 Java 中，我必须为此编写自己的循环代码。

因此，可以用一个正则表达式完成这项工作，但这是一个非常复杂的工作，并且正则表达式和封闭代码都必须根据您正在使用的语言进行定制。

【讨论】：