特定标签及其内容的正则表达式，按标签名称分组答案

【问题标题】：Regex for specifig tags and their content, groupped by the tag name特定标签及其内容的正则表达式，按标签名称分组
【发布时间】：2010-09-17 01:31:25
【问题描述】：

这是输入（html，不是 xml）：

... html content ...
<tag1> content for tag 1 </tag1>
<tag2> content for tag 2 </tag2>
<tag3> content for tag 3 </tag3>
... html content ...

我想获得 3 场比赛，每场比赛有两组。第一组将包含标签的名称，第二组将包含标签的内部文本。只有这三个标签，所以它不需要是通用的。

换句话说：

match.Groups["name"] would be "tag1"
match.Groups["value"] would be "content for tag 2"

有什么想法吗？

【问题讨论】：

注意更新的 HtmlAgilityPack 示例；我怀疑这可以满足您的需要。

标签： c# regex tags

【解决方案1】：

我不明白您为什么要为此使用匹配组名称。

这是一个正则表达式，它将标记名称和标记内容匹配为编号的子匹配项。

<(tag1|tag2|tag3)>(.*?)</$1>

这是一个带有 .NET 样式组名称的变体

<(?'name'tag1|tag2|tag3)>(?'value'.*?)</\k'name'>.

编辑

RegEx 根据问题作者的说明进行了改编。

【讨论】：

托马拉克，太棒了！完美运行，正是我需要的。我试过升级你，但我必须注册。我也尝试接受答案，但没有任何反应。
无论如何都欢迎你。 ;-) 但是，如果您想报答，请您注册并接受答案。

【解决方案2】：

正则表达式可能是：

/<([^>]+)>([^<]+)<\/\1>/

但这很笼统，因为我对 .NET 的转义机制了解不多。翻译它：

第一组匹配
第二组匹配内容（从>到下一个
结束检查第一个标签是否关闭

HTH

【讨论】：

请注意，由于标签内容的 [^
当我排除打开和关闭 / 时，这个正则表达式在 VS2017 中为我工作（使用查找和替换）

【解决方案3】：

感谢所有但没有一个正则表达式工作。 :( 也许我不够具体，抱歉。这是我要解析的确切 html：

...some html content <b> etc </b> ...
<user> hello <b>mitch</b> </user>
...some html content <b> etc </b> ...
<message> some html <i>message</i> <a href....>bla</a> </message>
...some html content <b> etc </b> ...

我希望现在更清楚了。我在 USER 和 MESSAGE 标签之后。

我需要两场比赛，每场比赛有两组。第一组给我标签名称（用户或消息），第二组给我标签的整个内部文本。

【讨论】：

我的回答做了一些修改，请重试！
那不是 HTML... 无论如何都不是标准 DTD。

【解决方案4】：

数据是正确的 xml，还是只是看起来像？

如果是 html，那么 HTML Agility Pack 值得研究——它提供了一个 DOM（类似于 XmlDocument），您可以使用它来查询数据：

string input = @"<html>...some html content <b> etc </b> ...
<user> hello <b>mitch</b> </user>
...some html content <b> etc </b> ...
<message> some html <i>message</i> <a href....>bla</a> </message>
...some html content <b> etc </b> ...</html>";

            HtmlDocument doc = new HtmlDocument();
            doc.LoadHtml(input);
            foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//user | //message"))
            {
                Console.WriteLine("{0}: {1}", node.Name, node.InnerText);
                // or node.InnerHtml to keep the formatting within the content
            }

这个输出：

user:  hello mitch
message:  some html message bla

如果您想要格式化标签，请使用 .InnerHtml 而不是 .InnerText。

如果是 xml，那么要使用 xml 的全谱进行编码，最好使用 xml 解析器。对于中小型 xml，将其加载到诸如 XmlDocument 之类的 DOM 中就可以了 - 然后查询节点（例如，“//*”）。对于大型 xml，XmlReader 可能是一种选择。

如果数据不必担心完整的xml，那么一些简单的正则表达式应该不会太棘手......一个简化的例子（没有属性，没有命名空间，没有嵌套的xml）可能是：

string input = @"blah <tag1> content for tag 1 </tag1> blop
<tag2> content for tag 2 </tag2> bloop
<tag3> content for tag 3 </tag3> blip";

        const string pattern = @"<(\w+)>\s*([^<>]*)\s*</(\1)>";
        Console.WriteLine(Regex.IsMatch(input, pattern));
        foreach(Match match in Regex.Matches(input, pattern)) {
            Console.WriteLine("{0}: {1}", match.Groups[1], match.Groups[2]);
        }

【讨论】：

数据不是有效的xml，而是html页面。
这看起来很有趣，我去看看，tnx。

【解决方案5】：

问题是人们用来匹配标签内的东西的 ([^

这里是 Tomalak 正则表达式的一个稍微更健壮的版本，允许属性和空格：

Regex tagRegex = new Regex(@"<\s*(?<tag>" + string.Join("|", tags) + @")[^>]*>(?<content>.*?)<\s*/\s*\k<tag>\s*>", RegexOptions.IgnoreCase);

显然，如果您只需要使用一组特定的标签，您可以替换

string.Joing("|", tags)

使用硬编码管道分隔的标签列表。

正则表达式的限制是，如果您尝试匹配嵌套在另一个标签中的一个标签，它将只匹配外部标签。即

abcdefghi

它将匹配外部用户标签，但不匹配内部消息标签。

它也不处理在属性中引用的 >，如下所示：

它只会匹配

将成为标签内容的一部分。

【讨论】：

【解决方案6】：

这将为您提供所需的命名捕获组。但是，它不适用于嵌套标签。

/<(?<name>[^>]+)>(?<value>[^<]+)</\1>/

【讨论】：