使用正则表达式解析有限的 HTML/XML，但嵌入标签答案

【问题标题】：Using regular expression to parse limited HTML/XML but with embedded tags使用正则表达式解析有限的 HTML/XML，但嵌入标签
【发布时间】：2018-01-15 00:02:59
【问题描述】：

我在 HTML/XML 中有以下行：

<p class="myText" style="...">some text here</p>

我使用以下正则表达式来捕获“p”标签中的内容：

<p\sclass=\"myText\"[^>]*>([^<]*)</p>

直到今天，当以下 HTML/XML 在“p”标签中嵌入一些“i”和“b”标签时，它一直有效，就像在这个示例中一样：

<p class="myText" style="...">some <b style="...">bold</b> and <i>italic</I> text here</p>

如何修改正则表达式以获取最后一个示例中“p”标签中的内容，包括“b”和“i”标签？

【问题讨论】：

Don't, just don't
有效：是的。好主意：不。使用 HTML 解析器。您将获得可以阅读的代码，这些代码将更健壮且更易于维护。
公平，但这并不能回答如何用正则表达式解决它的好奇心......这是最初的问题。我相信它可以做到！
为什么会有人对此投票？
我同意@Quentin。 yms 的解决方案至少现在应该可以解决您的问题，但是如果您正在寻找更强大的解决方案，那不是这样。我建议评估 xpath 的使用，这是一个很好的工具。

标签： html regex

【解决方案1】：

使用lazy mode 在您的字符串中查找“>”的第一个实例：

<p.+?>(.*)<\/p>

在这里测试它： https://regex101.com/r/Lz7GT0/1

如果您想在同一个字符串中处理多个匹配项，您只需use a stateful parser and call match multiple times。

在这里试试： http://jsfiddle.net/jarn851m/

【讨论】：

谢谢你，很好的尝试，问题（我没有解释它的错）是API的内容是一个多于一个'p'标签的字符串，所以像这样：
一些 bold 和 italic text here
带有更多文本和其他 XML 代码不重要然后
其他文字
只需使用(.*?) 而不是贪婪版本(.*) 以确保匹配在找到第一个</p> 时结束，而不是遍历整行（如果正则表达式是多行则为文本) 直到找到最后一个 </p>

【解决方案2】：

总而言之，由于有很多“不应该使用正则表达式”的热度，这就是解决方案。原始 XML：

<p class="myText" style="...">some text here</p>

解决它的原始正则表达式：

<p\sclass=\"myText\"[^>]*>([^<]*)</p>

请注意 ^ 运算符的使用，当 XML 更改为时失败：

<p class="myText" style="...">some <b style="...">bold</b> and <i>italic</i> text here</p>

因此解决方案正则表达式为：

<p\sclass=\"myText\".+?>(.*?)<\/p>

请注意删除 ^ 运算符和引入 ?运算符，这是主要区别。删除 ^ 会查找任何内容，直到一个开放的尖括号，？运算符停止正则表达式的贪婪，并在找到的第一个打开的尖括号上停止匹配。

真棒不？人们一直在努力使用 XML 解析器来实现如此简单和超快速的东西！

【讨论】：