可选捕获组未捕获答案

【问题标题】：Optional Capture Group Not Capturing可选捕获组未捕获
【发布时间】：2012-09-22 22:02:24
【问题描述】：

<tr><td align=right>Name:</td><td align=left><b><font color=black>Nathan</font></b></td></tr>
<tr><td align=right>Extension:</td><td align=left><b>222</b></td></tr>

我有上面的 ~~HTML~~ 文本（无法更改），我想要一个返回 3 个捕获组的正则表达式，标签 (Name|Extension) 字体颜色 (black|red)和数据(\w+)。

我在返回捕获组 2（字体颜色）时遇到了一些问题。如您所见，它不在表格的“扩展”行中，因此我将捕获组设为可选。当我这样做时，第一行根本不匹配。我尝试了很多不同的量词组合的试验和错误，但我仍然无法得到我正在寻找的结果。

这是我目前的模式：(Name|Extension):.*?(?:<font color=(black|red)>)?.*?>(\w+)

我相信.*? 正在消耗可选的捕获组，并且仅匹配第 1 组和第 3 组。如果有人可以向我解释我哪里出错了，那就太好了。

编辑：作为一个想要了解更多关于正则表达式的人，如果人们可以将我上面的数据解释为不可变文本而不是 HTML，我将不胜感激。

【问题讨论】：

不要使用正则表达式来检查 HTML。使用像 jsoup 这样的 HTML 解析器
@LuiggiMendoza 谢谢，很好的链接，但不幸的是我对应用程序没有创造性的控制，我无法添加新的依赖项。
一定有办法使用jsoup或其他解析器。最后要做的事情可能是创建自己的解析器，但请相信我：如果你用正则表达式来做这件事，那将是一个地狱。
@LuiggiMendoza 我理解你的情绪，但不幸的是这不是我能控制的。让我们假设我只是尝试使用正则表达式来完成这个。我已经删除了 java 标签，希望这能让事情更清楚。
这不是一种情绪，它表明您应该使用解析器而不是正则表达式：Parsing Html The Cthulhu Way。如果您仍然在寻找如何使用正则表达式来做到这一点，我祝您好运和喝咖啡。

标签： regex parsing

【解决方案1】：

问题在于不情愿的量词。第一个.*? 起初不消耗任何内容，允许正则表达式的下一部分尝试匹配: 之后的FONT 标签。它没有找到一个，但这没关系，因为那部分是可选的。然后第二个.*? 接管，只消耗它必须的量，直到>(\w+) 可以匹配。因此，如果有一个 FONT 标记，它会被第二个 .*? 匹配，而不是你想要的可选组。

但不要费心让量词变得贪婪；它可能工作，但更有可能只是失败效率较低。试试这个：

<td[^>]*>(Name|Extension):</td><td[^>]*><b>(?:<font color=(black|red)>)?([^<]*)<

因为我明确匹配了标签后面的所有标签，所以它在正确的位置匹配 FONT 标签（如果有的话）。如果它在那里，group(2) 将包含颜色；否则将是null。

【讨论】：

谢谢 Alan，我感觉有些东西限制不够，导致我的字体标签被消耗，但你已经向我解释了到底发生了什么。在你的回答和 Aaron 的回答之间，我学到了更多关于正则表达式脆弱性的知识。

【解决方案2】：

这是你要找的暴行：

 (Name|Extension).*?<b>[<font color=]{0,12}(black|red)?>?(.*?)</.*

它非常脆弱，如果您处理的 HTML 格式与您提供的示例略有不同，我绝对不会期望它能够工作。不过，如果那个 HTML 可靠很糟糕，我认为你应该没问题。

请注意，这不能被视为Signor Mendoza 对使用正则表达式解析HTML 的固有不可能性的错误的证据；恰恰相反，这证明他在每一个细节上都是绝对正确的。这不是解析；这是作弊，就像我说的那样，只有当你使用的源 HTML 和你提供的示例一样丑陋时，你才能逃脱惩罚。 p>

测试用例：

 <tr><td align=right>Name:</td><td align=left><b><font color=black>Nathan</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>222</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=red>Thomas</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>223</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=black>Frank</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>224</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=red>Steve</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>225</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=black>Tony</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>226</b></td></tr>

结果：

 Name black Nathan
 Extension  222
 Name red Thomas
 Extension  223
 Name black Frank
 Extension  224
 Name red Steve
 Extension  225
 Name black Tony
 Extension  226

【讨论】：

谢谢亚伦，这太完美了。我同意我处理的源 HTML 很糟糕（运气好的话，确实如此），我也同意 Luigi 的观点，即解析器会好得多，但感谢您回答我的问题。 [<font color=]{0,12}你说？我今天学到了一个新技巧。
@Nathan：不，你没有。 [<font color=]{0,12} 最多只能匹配任意十二个字符，<、f、o 等。这绝对没有意义。
@AlanMoore 感谢您阐明了我对正则表达式中字符集的最初理解。虽然他的表达确实有效，所以很有帮助，但我已将您的表达标记为真实答案。