正则表达式捕获使用相同父标签的子组答案

【问题标题】：RegEx to capture sub group that uses the same parent tags正则表达式捕获使用相同父标签的子组
【发布时间】：2017-11-16 17:56:52
【问题描述】：

由于组使用相同的父标签，我在捕获多个组时遇到了一些麻烦。

数据块看起来像这样（为了便于阅读，我已经拆分了行，实际数据没有换行符）

<w:p w:rsidR="100"><w:r><w:p w:rsidR="250"><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r></w:p>
<w:p w:rsidR="500"><w:r><w:p><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r></w:p>
<w:p w:rsidR="150"><w:r><w:p w:rsidR="51"><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r></w:p>
<w:p><w:r><w:p w:rsidR="2"><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r></w:p>
<w:p w:hi="150"><w:r><w:p w:hi="5"><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r></w:p>

由于子标签以相同的根结束标签结尾（由于惰性先行 - 这是我们想要的，因为数据块不止一个），原始正则表达式死亡：

/(<w:p .*?>|<w:p>)(.*?)<\/w:p>/

所以它永远不会捕获超出的数据：“Text Group 2...”。

括号的使用将不起作用，因为子标签也是动态的，即(<w:p .*?>|<w:p>)

负前瞻组应该在这里解决问题，但我一定有什么混淆？这不会产生有效的结果。

/(<w:p .*?>|<w:p>)(.*?(?!(<w:p .*?>|<w:p>).*?<\/w:p>))<\/w:p>/

使用非捕获组确实将惰性量化器带到最后，但它没有（显然）捕获第一部分：

(<w:p .*?>|<w:p>)((?:((<w:p .*?>|<w:p>).*?<\/w:p>)).*?)<\/w:p>

第二个捕获组所需的输出包含以下所有内容：

<w:r><w:p w:rsidR="250"><w:r><w:t>Phrase 1</w:t></w:r></w:p></w:r><w:r><w:t>Phrase 2</w:t></w:r>

注意这与RegEx match open tags except XHTML self-contained tags 不同，标签在这里被识别并且是一个常数。

【问题讨论】：

你真的应该用 XML Parser 来解析它，它们就是为做这些事情而设计的。
@AlexK。那是我的第一次尝试，它在我的实验中无法正常工作。在正则表达式中绝对可行。
你的意思是像regex101.com/r/CLy6SY/1这样的吗？
RegEx match open tags except XHTML self-contained tags的可能重复
这可能很接近...永远不要跟随它。

标签： regex pcre

【解决方案1】：

我能够通过使用 branch reset group ?| 解决这个问题，它允许我在使用惰性运算符查找尾部的同时结合子模式 + 通配符.

例子：

<w:p[^>]*>((?|(<w:p[^>]*>.*?<\/w:p>)|(.))*?)<\/w:p>

【讨论】：