使用正则表达式匹配嵌套Html标签
2015-06-01 14:45
465 查看
正则表达式是做文本解析工作必不可少的技能。如Web服务器日志分析,网页前端开发等。很多高级文本编辑器都支持正则表达式的一个子集,熟练掌握正则表达式,经常能够使你的一些工作事半功倍。例如统计代码行数,只需一个正则就搞定。嵌套Html标签的匹配是正则表达式应用中一个比较难的话题,因为它涉及到的正则语法比较多,也比较难。因此也就更有研究的价值。
先确定我们要解决的问题——从一段Html文本中找出特定id的标签的innerHTML
我们可以这样想,[b]先匹配最前面的起始标签,假设是div吧(<div),然后一旦遇到嵌套div,就“压入堆栈”,然后一遇到div结束标签了,就“弹出堆栈”。如果遇到结束标签的时候,堆栈里面已经没有东西了,那么匹配结束,此结束标签为正确的闭合标签。
[/b]
这里假设我们要匹配的文本是一段合法的Html文本
匹配起始标签起始标签特征很好提取,以尖括号打头,然后跟着一连串英文字母,然后一大串属性中(非尖括号字符)匹配id(不区分大小写)=myID。需要注意的是,myID可以被双引号或者单引号包裹,也可以什么都不加。正则如下:
完整的正则表达式为:<(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)myID(?(Quote)\k<Quote>)[^>]*?(/>|>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>)
原文来源:http://www.imkevinyang.com/2010/07/javajs%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8%e6%ad%a3%e5%88%99%e8%a1%a8%e8%be%be%e5%bc%8f%e5%8c%b9%e9%85%8d%e5%b5%8c%e5%a5%97html%e6%a0%87%e7%ad%be.html
先确定我们要解决的问题——从一段Html文本中找出特定id的标签的innerHTML
我们可以这样想,[b]先匹配最前面的起始标签,假设是div吧(<div),然后一旦遇到嵌套div,就“压入堆栈”,然后一遇到div结束标签了,就“弹出堆栈”。如果遇到结束标签的时候,堆栈里面已经没有东西了,那么匹配结束,此结束标签为正确的闭合标签。
[/b]
这里假设我们要匹配的文本是一段合法的Html文本
<div id="myID"> <div class="s-sub"> <ul> <li class="s-hw"><a href="http://consumer.huawei.com/cn/" target="_blank">华为官网</a></li> <li class="s-honor"><a href="http://www.honor.cn/" target="_blank">华为荣耀</a></li> <li class="s-emui"><a href="http://emui.huawei.com/cn/" target="_blank">EMUI</a></li> <li class="s-appstore"><a href="http://appstore.huawei.com/" target="_blank">应用市场</a></li> <li class="s-cloud"><a href="http://cloud.huawei.com/cn" target="_blank">云服务</a></li> <li class="s-developer"><a href="http://developer.huawei.com/" target="_blank">开发者联盟</a></li> <li class="s-club"><a href="http://club.huawei.com" target="_blank">花粉俱乐部</a></li> </ul> </div> <p>test text</p> <div> <p>test text</p> </div> </div>
匹配起始标签起始标签特征很好提取,以尖括号打头,然后跟着一连串英文字母,然后一大串属性中(非尖括号字符)匹配id(不区分大小写)=myID。需要注意的是,myID可以被双引号或者单引号包裹,也可以什么都不加。正则如下:
<(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)myID(?(Quote)\k<Quote>)[^>]*?(/>|>上面的正则表达式需要做几点说明:1. <尖括号在正则中算是一个特殊字符,在显式捕获分组中用它将分组名括起来。但是因为开头的尖括号在此上下文下并不会出现解析歧义,因此加不加转义符效果是一样的。2. (?<GroupName>RegEx)格式定义一个命名分组,我们在上面定义了一个HtmlTag的标签分组,用来存放匹配到的Html标签名。Quote分组是用来给后面的匹配使用的。3. (?(GroupName)Then|Else)是条件语句,表示当捕获到GroupName分组时执行Then匹配,否则执行Else匹配。上面的正则中,我们先尝试匹配footer字符串左边的引号,并将其存入LeftQuote分组中,然后在footer右侧进行条件解析,如果之前匹配到LeftQuote分组,那么右侧也应该批评LeftQuote分组。这样一来,我们就能精确匹配id的各种情况了。匹配闭合标签
((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>在成功匹配到起始标签之后,后面的Html文本可以分为三种情况:A. 匹配到嵌套div起始标签<div,这个时候,需要将其捕获到Nested分组。B. 匹配到嵌套div起始标签的闭合标签,这个时候,需要将之前的Nested分组释放C. 其他任意文本。注意,需要使用.*?方式关闭贪婪匹配,否则最后的闭合标签可能会过度匹配使用(RegEx1|RegEx2|RegEx3)*这种方式,可以将几个条件以或的形式组合起来,然后再取若干次匹配结果,最终再匹配闭合标签。其中(?<-Nested>)是表示释放之前捕获的Nested分组。确切的语法是(?<N-M>)即使用N分组替换掉M分组,如果N分组没有指定或不存在,则释放M分组。
完整的正则表达式为:<(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)myID(?(Quote)\k<Quote>)[^>]*?(/>|>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>)
原文来源:http://www.imkevinyang.com/2010/07/javajs%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8%e6%ad%a3%e5%88%99%e8%a1%a8%e8%be%be%e5%bc%8f%e5%8c%b9%e9%85%8d%e5%b5%8c%e5%a5%97html%e6%a0%87%e7%ad%be.html
相关文章推荐
- HTML <frameset>不同frame之间传值
- php与html代码的若干转换
- failed: unacceptable content-type: text/html
- meta属性在HTML
- html 中a标签中href属性 加#号和不加#号的区别
- Hp自学整理html
- HTML基础
- HTML代码中的空格和空行
- html标签元素分类
- HTML中Div、span、label标签的区别
- html 标签记录
- HTML-合集
- HTML 表单(form) 使用详解
- HTML 常用标签
- html中重点注意事项
- HTML标签
- HTML
- html响应式的方形多列布局
- html 中 图片和文字一行 垂直居中对齐
- 用HTML的select+option标签实现下拉框