正则表达式模式 - 如何匹配 html 中的某个标签

Question

我有一些要在 2 个标签之间抓取的 html。但是嵌套标签存在于 html 中，因此查找不起作用，因为它会在第一个嵌套 div 上返回。

基本上我希望我的正则表达式...

从字面上匹配一些文本，后跟任意字符，直到另一个字面文本字符串。所以我的问题是如何让 [^ 继续匹配，直到看到下一个 div。

比如

示例 html

<div id="test" class="whatever">  
   <div class="wrapper">
   <fieldset>Test</fieldset><div class="testclass">some info</div>
   </div>
  <!-- end test div--></div>

</div>
 <div id="test2" class="endFind">

【问题讨论】：

• 您使用什么语言，正则表达式的格式因语言而异。
• RegEx match open tags except XHTML self-contained tags的可能重复

Answer 1

一般来说，我怀疑您想在您的正则表达式中查看“贪婪”与“懒惰”，假设您的平台/语言支持。

例如，<div[^>]*>(.*?)</div> 会使 $1 匹配 div 内的所有文本，但会尽量保持它的小。有人称*?为“懒星”。

但您似乎正在寻找在第一个嵌套 div 开始之前的 div 中的文本。就像<div[^>]*>(.*?)<div

阅读关于贪婪与懒惰的here 并检查以确保您使用的任何语言都支持它。

$ php -r '$text="<div>Test<div>foo</div></div>\n"; print preg_replace("/<div[^>]*>(.*?)<div.*/", "\$1", $text);'
Test
$ 

Answer 2

Regex 无法解析 HTML。如果这是应用程序的一部分，那么您做错了什么。如果您必须解析文档，请使用 html/xml 解析器。

如果您尝试筛选抓取某些内容并且不想打扰解析器，请在您抓取的页面中寻找识别标记。例如，嵌入的 div 可能刚好在您要匹配的那个之前结束，因此您可以改为匹配 </div></div>。

或者，这是一个满足您要求的正则表达式。但是，它非常脆弱：例如，如果#test 的孩子有孩子，或者 html 无效，或者我遗漏了某些东西等等，它就会崩溃……

/<div id="test"[^<]*(<([^ >]+).+<\/$2>[^<]*)*<\/div>/