使用正则表达式解析 HTML 时转义 -> 和 =>答案

【问题标题】：Escaping -> and => when parsing HTML using regular expression使用正则表达式解析 HTML 时转义 -> 和 =>
【发布时间】：2009-03-03 13:31:09
【问题描述】：

我需要解析并返回我们 PHP 代码文件中的标记名和属性：

<ct:tagname attr="attr1" attr="attr2">

为此，构建了以下正则表达式：

(\<ct:([^\s\>]*)([^\>]*)\>)

此表达式按预期工作，但在解析以下代码时会中断

<ct:form/input type="attr1" value="$item->field">

原来的正则表达式因为 $item-> 字段中的 > 字符而中断。我需要构建一个忽略 -> 或 => 但不是单个 > 的正则表达式。

我愿意接受任何建议...提前感谢您的帮助。

【问题讨论】：

标签： php regex

【解决方案1】：

试试这个：

<ct:([^\s\>]*)((?:\s+\w+\s*=\s*(?:"[^"]*"|'[^']*')\s*)*)>

但如果是 XML，最好使用 XML 解析器。

【讨论】：

【解决方案2】：

你可以尝试像这样使用消极的lookbehind：

(\<ct:([^\s\>]*)(.*?)(?<!-|=)\>)

匹配：

<ct:tagname attr="attr1" attr="attr2">
<ct:form/input type="attr1" value="$item->field">

不确定它是否最适合您的情况，但尊重约束。

【讨论】：

【解决方案3】：

一般来说，任何解析问题都会很快遇到上下文无关但不规则的语言结构。编写一个上下文无关的解析器可能是一个更好的[1] 解决方案，忽略除您感兴趣的元素之外的所有内容。

[1] 从“做正确的事”的角度来看，“更好”，不一定是投资回报。

【讨论】：

【解决方案4】：

我认为您想要做的不是识别-> 和=>，而是忽略引号对之间的所有内容。

我认为可以通过插入 ((

("[^"]*")*

)) 在合适的地方。

【讨论】：

【解决方案5】：

我的建议是匹配同一个表达式中的属性。

\<ct:([^\s\>]*)((([a-x0-9]+)=\"([^\"]*)\")*)\>

编辑： 删除了关于 > 属性值中 xml 无效的部分。

【讨论】：