正则表达式提取所有 HTML 标记属性，包括内联 JavaScript

Question

我在寻找解析 HTML 标签属性时在这里找到了这个有用的正则表达式代码：

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?

效果很好，但缺少我需要的一个关键元素。一些属性是事件触发器，其中包含内联 Javascript 代码，如下所示：

onclick="doSomething(this, 'foo', 'bar');return false;"

或者：

onclick='doSomething(this, "foo", "bar");return false;'

我不知道如何让原始表达式不计算来自 JS 的引号（单引号或双引号），而它嵌套在包含属性值的引号集中。

我应该补充一点，这不是用来解析整个 HTML 文档的。它在我更新的较旧的“选择菜单的数组”函数中用作参数。其中一个参数是一个标签，它可以将额外的 HTML 属性附加到表单元素。

我已经做了一个改进的函数并且正在弃用旧的......但是如果代码中的某个地方是对旧函数的调用，我需要它来将这些解析为新的数组格式。示例：

// Old Function
function create_form_element($array, $type, $selected="", $append_att="") { ... }
// Old Call
create_form_element($array, SELECT, $selected_value, "onchange=\"something(this, '444');\"");

新版本采用 attr => 值对数组来创建额外的标签。

create_select($array, $selected_value, array('style' => 'width:250px;', 'onchange' => "doSomething('foo', 'bar')"));

这只是一个向后兼容性问题，其中对 OLD 函数的所有调用都被路由到新函数，但是旧函数中的 $append_att 参数需要变成新函数的数组，因此我需要使用正则表达式来解析小的 HTML sn-ps。如果有更好、更轻量级的方法来实现这一点，我愿意接受建议。

Answer 1

您的正则表达式的问题在于它试图同时处理单引号和双引号。它不支持包含另一个引号的属性值。这个正则表达式会更好：

(\w+)=("[^<>"]*"|'[^<>']*'|\w+)

Answer 2

以下正则表达式将按照此处提供的 HTML 语法规范工作

http://www.w3.org/TR/html-markup/syntax.html

正则表达式模式

// valid tag names
$tagname = '[0-9a-zA-Z]+';
// valid attribute names
$attr = "[^\s\\x00\"'>/=\pC]+";
// valid unquoted attribute values
$uqval = "[^\s\"'=><`]*";
// valid single-quoted attribute values
$sqval = "[^'\\x00\pC]*";
// valid double-quoted attribute values
$dqval = "[^\"\\x00\pC]*";
// valid attribute-value pairs
$attrval = "(?:\s+$attr\s*=\s*\"$dqval\")|(?:\s+$attr\s*=\s*'$sqval')|(?:\s+$attr\s*=\s*$uqval)|(?:\s+$attr)"; 

最终的正则表达式查询将是

    // start tags + all attr formats
    $patt[] = "<(?'starttags'$tagname)(?'tagattrs'($attrval)*)\s*(?'voidtags'[/]?)>";

    // end tags
    $patt[] = "</(?'endtags'$tagname)\s*>"; // end tag

    // full regex pcre pattern
    $patt = implode("|", $patt);
    // search and match
    preg_match_all("#$patt#imuUs",$data,$matches);

希望这会有所帮助。

Answer 3

使用反向引用更好，在 PHP 中，正则表达式是：

([a-zA-Z_:][-a-zA-Z0-9_:.]+)=(["'])(.*?)\\2

其中\\2 是对(["']) 的引用

此外，此正则表达式将匹配包含 _、- 和 : 的属性，根据 W3C，这些属性是允许的，但是，此表达式不会匹配值不包含在引号中的属性。