使用 Lookahead 使用正则表达式匹配字符串答案

【问题标题】：Using Lookahead to match a string using a regular expression使用 Lookahead 使用正则表达式匹配字符串
【发布时间】：2010-09-26 00:36:53
【问题描述】：

我需要使用正则表达式匹配一个字符串 holiding html 以提取所有嵌套跨度，我假设我认为有一种方法可以使用正则表达式来做到这一点，但整个早上都没有成功。

所以对于一个示例输入字符串

<DIV id=c445c9c2-a02e-4cec-b254-c134adfa4192 style="BORDER-RIGHT: #000000 1px solid; BORDER-TOP: #000000 1px solid; BORDER-LEFT: #000000 1px solid; BORDER-BOTTOM: #000000 1px solid; BACKGROUND-COLOR: #eeeeee">
<SPAN id=b8db8cd1-f600-448f-be26-2aa56ea09a9c>
<SPAN id=304ccd38-8161-4def-a557-1a048c963df4>
<IMG src="http://avis.co.uk/Assets/build/menu.gif">
</SPAN>
</SPAN>
<SPAN id=bc88c866-5370-4c72-990b-06fbe22038d5>
<SPAN id=55b88bbe-15ca-49c9-ad96-cecc6ca7004e>UK<BR></SPAN>
</SPAN>
<SPAN id=52bb62ca-8f0a-42f1-a13b-9b263225ff1d>
<SPAN id=0e1c3eb6-046d-4f07-96c1-d1ac099d5f1c>
<IMG src="http://avis.co.uk/Assets/build/menu.gif">
</SPAN>
</SPAN>
<SPAN id=4c29eef2-cd77-4d33-9828-e442685a25cb>
<SPAN id=0d5a266a-14ae-4a89-9263-9e0ab57f7ad2>Italy</SPAN>
</SPAN>
<SPAN id=f0a72eea-fddd-471e-89e6-56e9b9efbece>
<SPAN id=b7d9ada7-ade0-49fe-aa5f-270237e87c2b>
<IMG src="http://avis.co.uk/Assets/build/menu.gif">
</SPAN>
</SPAN>
<SPAN id=7604df94-34ba-4c89-bf11-125df01731ff>
<SPAN id=330d6429-4f1b-46a2-a485-9001e2c6b8c1>Netherlands</SPAN>
</SPAN>
<SPAN id=a18fb516-451e-4c32-ab31-3e3be29235f6>
<SPAN id=6c70238d-78f9-468f-bb8d-370fff13c909>
<IMG src="http://avis.co.uk/Assets/build/menu.gif">
</SPAN>
</SPAN>
<SPAN id=5a2465eb-b337-4f94-a4f8-6f5001dfbd75>
<SPAN id=47877a9e-a7d5-4f13-a41e-6948f899e385>Malta &amp; Gozo

我想获取每个外部跨度及其包含的跨度，因此在上面的文本中应该有八个结果

欣然接受任何帮助

【问题讨论】：

标签： c# html regex

【解决方案1】：

试试这个：

@"(?is)<SPAN\b[^>]*>\s*(<SPAN\b[^>]*>.*?</SPAN>)\s*</SPAN>"

这与 PhiLho 的正则表达式基本相同，除了它允许两端的标签之间有空格。我还必须添加 SingleLine/DOTALL 修饰符以适应匹配文本中的行分隔符。我不知道这些更改中的任何一个是否真的有必要。 OP 发布的示例数据都在一行上，但 PhiLho 将其分解（从而破坏了他自己的正则表达式）。

【讨论】：

【解决方案2】：

基本上，我同意上述建议，使用正则表达式解析 HTML 要求有一天会在奇怪的合法 HTML 结构上破坏代码（更不用说浏览器接受的格式错误的 HTML...）。找到并使用一个好的 HTML 解析器可以在很多方面获得回报...

现在，我很务实（我无法抗拒一点正则表达式的挑战...），有时我会针对机器生成的 HTML 使用 RE（通常是导出功能），因为我知道我看到的结构不太可能改变，不像手工生成的页面，作者可以打错字...主要是为了快速修改，如果输出发生变化，我可以适应。

在您的情况下，HTML 非常规则、线性且可预测，因此 RE 非常简单。我给出Java代码是因为我不懂C#，但适应应该是微不足道的。

Pattern p = Pattern.compile("(<SPAN id.*?<SPAN id.*?</SPAN></SPAN>)");
Matcher m = p.matcher(html);
while (m.find())
{
  System.out.println(m.group(1));
}

HTH。

【讨论】：

【解决方案3】：

使用标准正则表达式实际上是不可能解决这个问题的，因为它们基本上在Chomsky hierarchy（有限状态自动机）中实现了类型 3 语法，而您至少需要一个类型 2 语法（某种堆栈或递归）来正确识别任意嵌套结构。

但是，如果您限制最大可能的嵌套级别，那么它可能是可能的，但我仍然怀疑正则表达式是否是最佳解决方案。

【讨论】：

.NET 的实现支持计数，因此可以匹配开始/结束标记等。但是对于任何超出简单匹配的真正解析器都是可行的方法。

【解决方案4】：

再次use an HTML parser 遍历 DOM：正则表达式永远不会强大到足以做到这一点。

【讨论】：

regexHtmlParserQuestions++ ;-)
显然它必须是：++regexHtmlParserQuestions++;