正则表达式 - 我只想匹配正则表达式中的开始标签答案

【问题标题】：Regex - I only want to match the start tags in regex正则表达式 - 我只想匹配正则表达式中的开始标签
【发布时间】：2010-10-09 07:09:39
【问题描述】：

我正在制作一个正则表达式，我只想匹配错误的标签，例如： *some text here, some other tags may be here as well but no ending 'p' tag* 

 <P>Affectionately Inscribed </P><P>TO </P><P>HENRY BULLAR, </P><P>(of the western circuit)<P>PREFACE</P>

在上面相同的文本中，我想得到(of the western circuit) 的结果，并且不应该捕获任何其他内容。我正在使用它，但它不起作用：

<P>[^\(</P>\)]*<P>

请帮忙。

【问题讨论】：

【解决方案1】：

对于 xml/html 类型的数据，Regex 并不总是一个好的选择。特别是属性、区分大小写、cmets 等都有很大的影响。

对于 xhtml，我会使用 XmlDocument/XDocument 和 xpath 查询。

对于“非 x”html，我会查看 HTML Agility Pack 和相同的内容。

【讨论】：

【解决方案2】：

匹配组之一：

(?:<p>(?:(?!<\/?p>).?)+)(<p>)

匹配第二个：

<P>(of the western circuit)<P>PREFACE</P>

注意：我通常是这样说的人之一：“不要使用正则表达式来处理 HTML，而是使用解析器”。但我不认为具体问题可以用解析器来解决，它可能只是忽略/透明地处理无效标记。

【讨论】：

【解决方案3】：

我知道在这种情况下这不太可能（甚至 html-legal？）发生，但是通用的未封闭 xml-tag 解决方案将非常困难，因为您需要考虑嵌套标签会发生什么，例如

<p>OUTER BEFORE<p>INNER</p>OUTER AFTER</p>

我很确定到目前为止给出的正则表达式将匹配那里的第二个，即使它实际上不是未封闭的。

【讨论】：

【解决方案4】：

不要使用* 进行最大匹配，而是使用*? 进行最小匹配。

应该可以开始

<P>((?!</P>).)*?<P>

这使用否定的前瞻断言来确保结束标记在“”匹配之间的每个点都不匹配。

编辑：更正了断言（感谢评论者）。

【讨论】：

【解决方案5】：

到目前为止提供的所有解决方案都与第二个

匹配，但这是错误的。如果有两个连续的

元素没有结束标签怎么办？第二个将不匹配，因为第一个匹配吃了它的开始标签。您可以像我在这里所做的那样使用前瞻来避免这个问题：

@"<p\b(?>(?:[^<]+|<(?!/?p>))*)(?=<p\b|$)"

至于其余部分，我使用“非初始或非其余”技术以及原子组来引导正则表达式尽可能高效地匹配（更重要的是，尽快失败可能的话）。

【讨论】：