RegEx HTML 与惰性通配符匹配过多

Question

正则表达式：

<span style='.+?'>TheTextToFind</span>

HTML：

<span style='font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED <span style='font-size:18.0pt;'>TheTextToFind</span></span>

为什么匹配包含这个？

<span style='font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED

Example Link

Answer 1

正则表达式引擎总是找到 left-most 匹配。这就是你得到的原因

<span style='font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED <span style='font-size:18.0pt;'>TheTextToFind</span>

作为匹配。 （基本上是整个输入，没有最后一个</span>）。

为了将引擎引导到正确的方向，如果我们假设 > 没有直接出现在属性中，那么以下正则表达式将匹配您想要的。

<span style='[^>]+'>TheTextToFind</span>

此正则表达式匹配您想要的，因为根据上述假设，[^>]+ 无法匹配标记之外。

但是，我希望您不要将其作为从 HTML 页面中提取信息的程序的一部分。为此目的使用 HTML 解析器。

---

要了解正则表达式匹配的原因，您需要了解.+? 会尝试回溯，以便找到与sequel ('>TheTextToFind</span>) 匹配的内容。

# Matching .+?
# Since +? is lazy, it matches . once (to fulfill the minimum repetition), and
# increase the number of repetition if the sequel fails to match
<span style='f                        # FAIL. Can't match closing '
<span style='fo                       # FAIL. Can't match closing '
...
<span style='font-size:11.0pt;        # PROCEED. But FAIL later, since can't match T in The
<span style='font-size:11.0pt;'       # FAIL. Can't match closing '
...
<span style='font-size:11.0pt;'>DON'  # PROCEED. But FAIL later, since can't match closing >
...
<span style='font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED <span style='
                                      # PROCEED. But FAIL later, since can't match closing >
...
<span style='font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED <span style='font-size:18.0pt;
                                      # PROCEED. MATCH FOUND.

如您所见，.+? 尝试增加长度并匹配 font-size:11.0pt;'>DON'T_WANT_THIS_MATCHED <span style='font-size:18.0pt;，这允许匹配 sequel '>TheTextToFind</span>。