正则表达式，从 html 编码字符串中提取单个值

Question

我无法提取某些值，这是我的表达方式：

flag:(\S+)=\&quot\;?((?:.(?!\&quot?\s+(?:\S+)=|">))+.)\&quot\;?

它只是试图从一个 html 编码的字符串中提取值。

这是一个运行良好的示例。

<p class="text1" target="701_text" flag:text1="This is a test">

为第二次() 捕获返回此值，这是正确的：This is a test

但是，单个值似乎返回第一个字符，加上第一个 " 的 ;

<p class="text1" target="701_text" flag:text1="T">

返回：;T 而不仅仅是 T，这是我需要它做的。

我只需要修改表达式以允许单个值同时仍然正确返回多个值。

Answer 1

我认为这就是您想要的正则表达式：

flag:(\S+)="((?:.(?!"(?:\S+)=|">))*.?)"

请注意，您不需要逃避那么多。 & 和 ; 不是特殊字符，因此不需要转义。此外，HTML 实体总是以分号结尾，否则它们是无效的，因此您在 ; 之后的所有问号都是不需要的（或者说是有害的）。

那么你的表达式的实际问题如下：对" 具有否定前瞻的内部组预期有1 个或多个匹配项（因为+）。在 T 作为单个文本的情况下，T 之后已经被 . 占用（正确地需要匹配负前瞻确实适用的最后一个字符）。现在没有剩余的字符可以实际匹配前瞻表达式（尽管它需要一个匹配）。那么正则表达式做了什么？它采用了标记为可选的分号（因为?）并将其拉入捕获组。这样就解释了分号的来源。

如果您按照上面的建议删除分号后的问号，那么您会遇到正则表达式与 T 根本不匹配的问题（因为它需要两个或更多字符）。所以解决方案是不允许任何字符匹配否定的前瞻表达式（即* 而不是+）。然后，如果你想让正则表达式更好，可以通过在最后的. 中添加? 来允许引号内的空序列。然后你应该有一个工作表达式。

当然，鉴于这是使用 HTML 实体编码的，最好先简单地解码这些实体，然后直接匹配引号，正如 Matteo 建议的那样。这个答案只是为了解释你的表达有什么问题:)

Answer 2

您为什么不先对其进行解码并处理该版本的字符串？如果我了解您的要求，您可以试试这个：

$str = '<p class="text1" target="701_text" flag:text1="T">';

$decoded = html_entity_decode($str);

preg_match('/flag:(.+?)="(.+?)"/', $decoded, $match);

print_r($match);