我正在尝试提取锚标记 (<a>) 的属性。到目前为止，我有这样的表达：
(?<name>\b\w+\b)\s*=\s*("(?<value>[^"]*)"|'(?<value>[^']*)'|(?<value>[^"'<> \s]+)\s*)+
适用于类似的字符串
<a href="test.html" class="xyz">
和（单引号）
<a href='test.html' class="xyz">
但不适用于没有引号的字符串：
<a href=test.html class=xyz>
如何修改我的正则表达式使其与不带引号的属性一起使用？或者有更好的方法吗？
更新： 感谢迄今为止所有好的 cmets 和建议。有一件事我没有提到：遗憾的是，我不得不修补/修改不是我编写的代码。而且没有时间/金钱从下往上重写这些东西。
【问题讨论】：
HtmlParser 类。
我建议您使用HTML Tidy 将HTML 转换为XHTML，然后使用合适的XPath 表达式提取属性。
【讨论】：
如果您想通俗一点，则必须查看 a 标签的精确规范，例如here。但即便如此，如果您使用完美的正则表达式，如果您的 html 格式错误怎么办？
我会建议去一个库来解析 html，这取决于你使用的语言：例如就像蟒蛇的美丽汤一样。
【讨论】：
Token Mantra 响应：您不应使用正则表达式调整/修改/收获/或以其他方式生成 html/xml。
也可能存在必须考虑的极端情况条件，例如 \' 和 \"。最好使用适当的 DOM 解析器、XML 解析器或其他许多经过试验和测试的工具之一这份工作，而不是自己发明。
我真的不在乎你使用哪一个，只要它被认可、测试过并且你使用它。
my $foo = Someclass->parse( $xmlstring );
my @links = $foo->getChildrenByTagName("a");
my @srcs = map { $_->getAttribute("src") } @links;
# @srcs now contains an array of src attributes extracted from the page.
【讨论】：
如果您使用 .NET，我推荐 HTML 敏捷包，即使是格式错误的 HTML 也非常强大。
然后你可以使用 XPath。
【讨论】：
2021 年更新：Radon8472 在the comments 中提出正则表达式https://regex101.com/r/tOF6eA/1（注意regex101.com 在我最初写这个答案时不存在）
<a[^>]*?href=(["\'])?((?:.(?!\1|>))*.?)\1?
更新 2021 之二：Dave 在the comments 中提出，以考虑包含等号的属性值，如<img src="test.png?test=val" />，如this regex101：
(\w+)=["']?((?:.(?!["']?\s+(?:\S+)=|\s*\/?[>"']))+.)["']?
更新（2020 年），Gyum Fox 提议 https://regex101.com/r/U9Yqqg/2（再次注意，当我最初写这个答案时，regex101.com 并不存在）
(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|\s*\/?[>"']))+.)["']?
适用于：
<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href='test.html' class="xyz">
<script type="text/javascript" defer async id="something" onload="alert('hello');"></script>
<img src="test.png">
<img src="a test.png">
<img src=test.png />
<img src=a test.png />
<img src=test.png >
<img src=a test.png >
<img src=test.png alt=crap >
<img src=a test.png alt=crap >
原始答案（2008 年）： 如果你有一个像
这样的元素<name attribute=value attribute="value" attribute='value'>
此正则表达式可用于连续查找每个属性名称和值
(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?
适用于：
<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href='test.html' class="xyz">
它会产生：
'href' => 'test.html'
'class' => 'xyz'
注意：这不适用于数字属性值，例如
<div id="1">不起作用。已编辑：改进了正则表达式，用于获取没有值的属性和内部带有“'”的值。
([^\r\n\t\f\v= '"]+)(?:=(["'])?((?:.(?!\2?\s+(?:\S+)=|\2))+.)\2?)?
适用于：
<script type="text/javascript" defer async id="something" onload="alert('hello');"></script>
它会产生：
'type' => 'text/javascript'
'defer' => ''
'async' => ''
'id' => 'something'
'onload' => 'alert(\'hello\');'
【讨论】：
我会重新考虑只使用一个正则表达式的策略。当然，想出一个可以完成所有工作的正则表达式是一款不错的游戏。但就可维护性而言，您将两脚相向。
【讨论】：
只是同意其他人的观点：不要使用正则表达式解析 HTML。
创建一个表达式来挑选出正确的 HTML 的属性是不可能的，更不用说所有可能的格式错误的变体了。即使没有尝试处理无效的引号缺失，您的正则表达式已经非常难以理解；进一步追寻现实世界 HTML 的恐怖，你会被一大堆无法维护的不可靠表达式逼疯。
现有的库可以读取损坏的 HTML，或者将其更正为有效的 XHTML，然后您可以使用 XML 解析器轻松吞噬这些库。使用它们。
【讨论】：
虽然不通过正则表达式解析 HTML 的建议是有效的，但这里的表达式几乎可以满足您的要求：
/
\G # start where the last match left off
(?> # begin non-backtracking expression
.*? # *anything* until...
<[Aa]\b # an anchor tag
)?? # but look ahead to see that the rest of the expression
# does not match.
\s+ # at least one space
( \p{Alpha} # Our first capture, starting with one alpha
\p{Alnum}* # followed by any number of alphanumeric characters
) # end capture #1
(?: \s* = \s* # a group starting with a '=', possibly surrounded by spaces.
(?: (['"]) # capture a single quote character
(.*?) # anything else
\2 # which ever quote character we captured before
| ( [^>\s'"]+ ) # any number of non-( '>', space, quote ) chars
) # end group
)? # attribute value was optional
/msx;
“但是等等，”你可能会说。 “那*cmets呢？！？！”好的，那么您可以将非回溯部分中的. 替换为：（它还处理 CDATA 部分。）
(?:[^<]|<[^!]|<![^-\[]|<!\[(?!CDATA)|<!\[CDATA\[.*?\]\]>|<!--(?:[^-]|-[^-])*-->)
\K 放在属性名称之前，而不必担心捕获所有您想跳过的内容。 【讨论】：
您不能对多个捕获使用相同的名称。因此，您不能在具有命名捕获的表达式上使用量词。
所以要么不要使用命名捕获：
(?:(\b\w+\b)\s*=\s*("[^"]*"|'[^']*'|[^"'<>\s]+)\s+)+
或者不要在这个表达式上使用量词：
(?<name>\b\w+\b)\s*=\s*(?<value>"[^"]*"|'[^']*'|[^"'<>\s]+)
这也允许像bar=' baz='quux这样的属性值：
foo="bar=' baz='quux"
那么缺点是你必须在之后去掉前导引号和尾引号。
【讨论】：
这样的事情可能会有所帮助
'(\S+)\s*?=\s*([\'"])(.*?|)\2
【讨论】：
提取元素：
var buttonMatcherRegExp=/<a[\s\S]*?>[\s\S]*?<\/a>/;
htmlStr=string.match( buttonMatcherRegExp )[0]
然后使用jQuery解析并提取你想要的位：
$(htmlStr).attr('style')
【讨论】：
【讨论】：
飞溅，
@VonC 解决方案部分有效，但如果标签混合了未引用和引用，则会出现一些问题
这个适用于混合属性
$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"
测试一下
<?php
$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"
$code = ' <IMG title=09.jpg alt=09.jpg src="http://example.com.jpg?v=185579" border=0 mce_src="example.com.jpg?v=185579"
';
preg_match_all( "@$pat_attributes@isU", $code, $ms);
var_dump( $ms );
$code = '
<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href=\'test.html\' class="xyz">
<img src="http://"/> ';
preg_match_all( "@$pat_attributes@isU", $code, $ms);
var_dump( $ms );
$ms 将包含第二个和第三个元素的键和值。
$keys = $ms[1];
$values = $ms[2];
【讨论】：
我创建了一个PHP function，它可以提取任何 HTML 标记的属性。它还可以处理像disabled这样没有值的属性，也可以通过检查content结果来判断标签是独立标签（没有结束标签）还是不是（有结束标签）：
/*! Based on <https://github.com/mecha-cms/cms/blob/master/system/kernel/converter.php> */
function extract_html_attributes($input) {
if( ! preg_match('#^(<)([a-z0-9\-._:]+)((\s)+(.*?))?((>)([\s\S]*?)((<)\/\2(>))|(\s)*\/?(>))$#im', $input, $matches)) return false;
$matches[5] = preg_replace('#(^|(\s)+)([a-z0-9\-]+)(=)(")(")#i', '$1$2$3$4$5<attr:value>$6', $matches[5]);
$results = array(
'element' => $matches[2],
'attributes' => null,
'content' => isset($matches[8]) && $matches[9] == '</' . $matches[2] . '>' ? $matches[8] : null
);
if(preg_match_all('#([a-z0-9\-]+)((=)(")(.*?)("))?(?:(\s)|$)#i', $matches[5], $attrs)) {
$results['attributes'] = array();
foreach($attrs[1] as $i => $attr) {
$results['attributes'][$attr] = isset($attrs[5][$i]) && ! empty($attrs[5][$i]) ? ($attrs[5][$i] != '<attr:value>' ? $attrs[5][$i] : "") : $attr;
}
}
return $results;
}
$test = array(
'<div class="foo" id="bar" data-test="1000">',
'<div>',
'<div class="foo" id="bar" data-test="1000">test content</div>',
'<div>test content</div>',
'<div>test content</span>',
'<div>test content',
'<div></div>',
'<div class="foo" id="bar" data-test="1000"/>',
'<div class="foo" id="bar" data-test="1000" />',
'< div class="foo" id="bar" data-test="1000" />',
'<div class id data-test>',
'<id="foo" data-test="1000">',
'<id data-test>',
'<select name="foo" id="bar" empty-value-test="" selected disabled><option value="1">Option 1</option></select>'
);
foreach($test as $t) {
var_dump($t, extract_html_attributes($t));
echo '<hr>';
}
【讨论】：
看看这个 Regex & PHP - isolate src attribute from img tag
也许您可以遍历 DOM 并获得所需的属性。它对我来说很好，从 body-tag 获取属性
【讨论】：
简单的属性提取（See it working）：
((?:(?!\s|=).)*)\s*?=\s*?["']?((?:(?<=")(?:(?<=\\)"|[^"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!"|')(?:(?!\/>|>|\s).)+))
或带有标签打开/关闭验证、标签名称检索和评论转义。这个表达式预见到不带引号的/带引号的、单引号/双引号、属性内的转义引号、等号周围的空格、不同数量的属性、仅检查标签内的属性以及管理属性值内的不同引号。 (See it working):
(?:\<\!\-\-(?:(?!\-\-\>)\r\n?|\n|.)*?-\-\>)|(?:<(\S+)\s+(?=.*>)|(?<=[=\s])\G)(?:((?:(?!\s|=).)*)\s*?=\s*?[\"']?((?:(?<=\")(?:(?<=\\)\"|[^\"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!\"|')(?:(?!\/>|>|\s).)+))[\"']?\s*)
（使用“gisx”标志效果更好。）
由于Javascript 正则表达式不支持look-behinds，它不支持我建议的之前表达式的大部分功能。但如果它可能适合某人的需要，你可以试试这个版本。 (See it working)。
(\S+)=[\'"]?((?:(?!\/>|>|"|\'|\s).)+)
【讨论】：
这对我有用。它还考虑了我遇到的一些最终情况。
我将这个正则表达式用于 XML 解析器
(?<=\s)[^><:\s]*=*(?=[>,\s])
【讨论】：
这是我在 HTML 标签中提取属性的最佳正则表达式：
# 修剪引号内的匹配项（单引号或双引号）
(\S+)\s*=\s*([']|["])\s*([\W\w]*?)\s*\2
# 没有修剪
(\S+)\s*=\s*([']|["])([\W\w]*?)\2
优点：
缺点：
<div title="You're"> 结果是第 1 组：标题，第 2 组："，第 3 组：你是。这是在线 RegEx 示例： https://regex101.com/r/aVz4uG/13
我通常使用这个 RegEx 来提取 HTML 标签：
如果您不使用 <div、<span 等标签类型，我建议您这样做。
<[^/]+?(?:\".*?\"|'.*?'|.*?)*?>
例如：
<div title="a>b=c<d" data-type='a>b=c<d'>Hello</div>
<span style="color: >=<red">Nothing</span>
# Returns
# <div title="a>b=c<d" data-type='a>b=c<d'>
# <span style="color: >=<red">
这是在线 RegEx 示例： https://regex101.com/r/aVz4uG/15
这个正则表达式的错误是：
<div[^/]+?(?:\".*?\"|'.*?'|.*?)*?>
在这个标签中：
<article title="a>b=c<d" data-type='a>b=c<div '>Hello</article>
返回<div '>，但不应返回任何匹配项：
Match: <div '>
要“解决”这个问题，请删除 [^/]+? 模式：
<div(?:\".*?\"|'.*?'|.*?)*?>
#317081 的答案很好，但与这些情况不匹配：
<div id="a"> # It returns "a instead of a
<div style=""> # It doesn't match instead of return only an empty property
<div title = "c"> # It not recognize the space between the equal (=)
这是改进：
(\S+)\s*=\s*["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))?[^"']*)["']?
对
(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?
避免相等信号之间的空格： (\S+)\s*=\s*((?:...
更改最后一个 + 和 .为了： |[>"']))?[^"']*)["']?
这是在线 RegEx 示例： https://regex101.com/r/aVz4uG/8
【讨论】：
HTML 中的标签和属性具有以下形式
<tag
attrnovalue
attrnoquote=bli
attrdoublequote="blah 'blah'"
attrsinglequote='bloob "bloob"' >
要匹配属性，您需要一个正则表达式attr 来查找四种形式之一。然后您需要确保仅在 HTML 标记中报告匹配项。假设您有正确的正则表达式，总的正则表达式将是：
attr(?=(attr)*\s*/?\s*>)
前瞻确保只有其他属性和结束标记跟随该属性。我对attr 使用以下正则表达式：
\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?
不重要的组不被捕获。第一个匹配组$1 为您提供属性名称，其值为$2 或$3 或$4 之一。我使用$2$3$4 来提取值。
最终的正则表达式是
\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?(?=(?:\s+\w+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[^><"'\s]+))?)*\s*/?\s*>)
注意：我在前瞻中删除了所有不必要的组，并使所有剩余的组不被捕获。
【讨论】：