使用正则表达式匹配嵌套Html标签

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

<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