Ruby正则表达式的问题答案

【问题标题】：Problem with Ruby Regular ExpressionRuby正则表达式的问题
【发布时间】：2011-01-17 19:02:07
【问题描述】：

我有这个 HTML 代码，它在一行中：

<h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3><h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3>

这是行友好的版本（我不能使用）

<h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3>
<h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3>

我正在尝试使用此 REGEX 仅提取 URL

/<h3 class="r"><a href="(.*)">(.*)<\/a>/

然后它返回

www.google.com">fkdsafjldsajl</a></h3><h3 class='r'><a href="www.google.com"

找到 " 时我该怎么做才能阻止它？

【问题讨论】：

使用正则表达式解析 HTML 时要非常小心。即使在简单的 HTML 中，您也可能会遇到一个弄乱正则表达式的 URL。

标签： ruby regex web-crawler

【解决方案1】：

叹息。正则表达式和 HTML 是如此尴尬的伙伴：

require 'nokogiri'

html = %q{<h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3><h3 class='r'><a href="www.google.com">fkdsafjldsajl</a></h3>}
doc = Nokogiri::HTML(html)
puts doc.css('a').map{ |a| a['href'] }
# >> www.google.com
# >> www.google.com

这将找到它们，无论它们是深度嵌套还是全部在一行中。

【讨论】：

【解决方案2】：

问题是* 是贪婪的。在它后面加上一个问号使其不贪婪。

工作正则表达式（在rubular 上测试）

href\=\"(.*?)\"

【讨论】：

即使(.*?)" 可以吃"。最好使用[^"]+"。
我不知道 OP 用例是否会遇到用单引号括起来的 href，但是，由于它们在 HTML 中是合法的，因此建议的模式应该可以处理这些问题。而且，由于很多 HTML 缺少包装双引号和单引号，它可能也应该处理它。此外，根据 URL spec 的第 2.2 节倒数第二段，' 和 " 在 URL 中是合法的，因此它可能也应该处理这些。