使用正则表达式获取匹配的 HTML 值答案

【问题标题】：Getting Matched HTML Value with Regex使用正则表达式获取匹配的 HTML 值
【发布时间】：2012-07-02 13:31:34
【问题描述】：

好的，我知道我不应该使用正则表达式来解析 HTML，因为它不是很可靠，不是 100% 安全等。但是，这只是正则表达式的学习练习。

所以我的例子使用了 bbc 网站http://www.bbc.co.uk/sport/football/premier-league/table。

项目正在解析第一个表的 tbody。我正在尝试进行搜索，以便只返回与搜索值匹配的元素。例如，给定搜索“manc”，我想要曼彻斯特城和曼彻斯特联队的 tr 标签（从 url 匹配）。

到目前为止，我所拥有的是<tr\b[^>]*>(.*?)manc(.*?)</tr>，但是这从第一个 tr 到 man city 之后的结束 tr 匹配，然后返回 man utd 的预期结果。谁能指出我在这个正则表达式上哪里出了问题。

编辑：来源（修剪）

<tbody id="trc-20-118996114-3">
  <tr id="team-138824012" class="team first">
    <td class="statistics"></td>
    <td class='position'>
      <span class='moving-up'>Moving up</span>
      <span class='position-number'>1</span>
    </td>
    <td class="team-name">
      <a href='http://www.bbc.co.uk/sport/football/teams/arsenal'>Arsenal</a>
    </td>
    <td class="played">0</td>

    <td class="home-won">
      <span>0</span>
    </td>
    <td class="home-drawn">0</td>
    <td class="home-lost">0</td>
    <td class="home-for">0</td>
    <td class="home-against">0</td>
    <td class="away-won">
      <span>0</span>
    </td>
    <td class="away-drawn">0</td>
    <td class="away-lost">0</td>
    <td class="away-for">0</td>
    <td class="away-against">0</td>
    <td class="goal-difference">0</td>
    <td class="points">0</td>
    <td class="last-10-games">
      <ol>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win last" title="Win">
          <span>Win</span>
        </li>
      </ol>
    </td>
    <td class="status">
      <a class="report" href="http://www.bbc.co.uk/sport/0/football/17973141">Report</a>
    </td>
  </tr>
  <tr id="team-137316633" class="team">
    <td class="statistics"></td>
    <td class='position'>
      <span class='moving-up'>Moving up</span>
      <span class='position-number'>2</span>
    </td>
    <td class="team-name">
      <a href='http://www.bbc.co.uk/sport/football/teams/aston-villa'>Aston Villa</a>
    </td>
    <td class="played">0</td>

    <td class="home-won">
      <span>0</span>
    </td>
    <td class="home-drawn">0</td>
    <td class="home-lost">0</td>
    <td class="home-for">0</td>
    <td class="home-against">0</td>
    <td class="away-won">
      <span>0</span>
    </td>
    <td class="away-drawn">0</td>
    <td class="away-lost">0</td>
    <td class="away-for">0</td>
    <td class="away-against">0</td>
    <td class="goal-difference">0</td>
    <td class="points">0</td>
    <td class="last-10-games">
      <ol>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="loss last" title="Loss">
          <span>Loss</span>
        </li>
      </ol>
    </td>
    <td class="status">
      <a class="report" href="http://www.bbc.co.uk/sport/0/football/17973120">Report</a>
    </td>
  </tr>
  <tr id="team-137318151" class="team">
    <td class="statistics"></td>
    <td class='position'>
      <span class='moving-down'>Moving down</span>
      <span class='position-number'>7</span>
    </td>
    <td class="team-name">
      <a href='http://www.bbc.co.uk/sport/football/teams/manchester-city'>Man City</a>
    </td>
    <td class="played">0</td>

    <td class="home-won">
      <span>0</span>
    </td>
    <td class="home-drawn">0</td>
    <td class="home-lost">0</td>
    <td class="home-for">0</td>
    <td class="home-against">0</td>
    <td class="away-won">
      <span>0</span>
    </td>
    <td class="away-drawn">0</td>
    <td class="away-lost">0</td>
    <td class="away-for">0</td>
    <td class="away-against">0</td>
    <td class="goal-difference">0</td>
    <td class="points">0</td>
    <td class="last-10-games">
      <ol>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="win last" title="Win">
          <span>Win</span>
        </li>
      </ol>
    </td>
    <td class="status">
      <a class="report" href="http://www.bbc.co.uk/sport/0/football/17973148">Report</a>
    </td>
  </tr>
  <tr id="team-137318152" class="team">
    <td class="statistics"></td>
    <td class='position'>
      <span class='moving-down'>Moving down</span>
      <span class='position-number'>8</span>
    </td>
    <td class="team-name">
      <a href='http://www.bbc.co.uk/sport/football/teams/manchester-united'>Man Utd</a>
    </td>
    <td class="played">0</td>

    <td class="home-won">
      <span>0</span>
    </td>
    <td class="home-drawn">0</td>
    <td class="home-lost">0</td>
    <td class="home-for">0</td>
    <td class="home-against">0</td>
    <td class="away-won">
      <span>0</span>
    </td>
    <td class="away-drawn">0</td>
    <td class="away-lost">0</td>
    <td class="away-for">0</td>
    <td class="away-against">0</td>
    <td class="goal-difference">0</td>
    <td class="points">0</td>
    <td class="last-10-games">
      <ol>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="draw" title="Draw">
          <span>Draw</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="loss" title="Loss">
          <span>Loss</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win" title="Win">
          <span>Win</span>
        </li>
        <li class="win last" title="Win">
          <span>Win</span>
        </li>
      </ol>
    </td>
    <td class="status">
      <a class="report" href="http://www.bbc.co.uk/sport/0/football/17973162">Report</a>
    </td>
  </tr>
</tbody>

【问题讨论】：

为什么投反对票 :(？需要学习以备将来参考
不确定。可能是因为使用 RegEx 解析 HTML 是一个非常常见的问题。在大多数情况下，需要一个 DOM 解析器，例如 JavaScript 的 DOMParser，而不是通过正则表达式摆弄 HTML 字符串。您能否在问题中包含源代码的相关部分，而不是链接到易变的站点？这样一来，即使 BBC 决定删除该页面，该问题仍然具有相关性。
@RobW 添加了源代码的修剪版本

标签： c# html regex

【解决方案1】：

问题是，你的正则表达式太宽泛了。看看你要的是什么：

<tr\b[^>]*>(.*?)manc(.*?)</tr>

让我们稍微简化一下。

<tr>.*?manc.*?</tr>

所以你说，好吧。我需要匹配一个 tr，然后是 anything，然后是 manc，然后是 ANYTHING，然后是结束 tr。所以。当然会发生的是正则表达式从第一个 tr 开始并且正常。我有一个 tr 让我继续匹配，直到找到 manc。与此同时，您可能刚刚通过了一堆other tr。但是你的正则表达式不在乎。

试试这个：

<tr>(?:(?!</tr>).)*manc.+?</tr>

或者，我猜在你的例子中：

<tr\b[^>]*>(?:(?!</tr>).)*manc.+?</tr>

【讨论】：

您好，感谢您的回答，它适用于 manc，是否有任何方法可以在未指定搜索的情况下（因此 <tr\b[^>]*>(?:(?!</tr>).)*.+?</tr>）返回所有结果。目前我发现当这样运行时，前两个 tr 元素作为单个匹配返回
这很简单：]*>.+?
抱歉，是否可以在一个正则表达式中使用？
你的意思是你不能有一个 if-else 语句来选择一个正则表达式？
嗯...我不认为你可以。这真的没有任何意义。在一种情况下，您说匹配任何 TR，而在另一种情况下，您说匹配看起来像这样的 TR。如果您将它们与交替运算符结合使用，那么您总是会匹配任何东西。我明白学习练习的重点，但有时学习练习应该告诉你什么时候不应该尝试某事。 :)

【解决方案2】：

REGEX 不适合这种情况，因为它不是为解析器而设计的。除非情况非常宽容，尤其是在 JavaScript（它有一个相当原始的 REGEX 实现）中，它无法确定哪些开始标签与哪些结束标签匹配。

首先，我们需要使用[\s\S] 而不是.，因为后者不能多行工作，因为它不匹配空白字符，而且您提到的表格的HTML 是多行的。前者会，因为它是一个匹配所有空间和非空间的范围 - 即所有东西。

考虑到这一点，您可能会想这样做：

/<tr\b[^>]*?>[\s\S]*?manc[\s\S]*?<\/tr>/gi

...即获取所有提及字符串 'manc' 的行。

采用以下简化的 HTML：

<table>
    <tr>
        <td>Notts County</td>
    </tr>
    <tr>
        <td>Manchester United</td>
    </tr>
    <tr>
        <td>Arsenal</td>
    </tr>
</table>

...上面的模式将匹配

<tr>
    <td>Notts County</td>
</tr>
<tr>
    <td>Manchester United</td>
</tr>

这是合乎逻辑的。 REGEX 模式从开头开始，找到开头tr（诺茨县），并询问是否在不确定数量的可选字符之后找到了字符串“Manc”。是的。

当然，问题在于，在寻找“Manc”时，它不知不觉地越过了tr 边界进入下一行，因为我们的[\s\S]*? 模式允许它这样做。

我们无法阻止这种情况，因为 REGEX 不允许您对序列求反 - 只能对某个范围内的字符进行求反（否定的前瞻和后瞻断言除外）。

简而言之，无论如何都要学习正则表达式，但你选择了一个很难开始的字符串:)

【讨论】：