.NET 正则表达式：如何获取由两个标签包围的文本

Question

我正在使用 ASP.NET，需要使用用户键入的字符串进行管理，以便提取一些信息。用户输入一个普通的文本、单词和数字，但有时他可能会在 MATHML 中键入一个数学表达式，这些表达式总是一个被标记包围的 xml 字符串。 我想从输入的文本中提取每个数学段。 例如，假设用户输入了以下文本：

string input = "My name is Dorry and here is a math expression: <math>---some math1---</math> ah, there is another expression: <math>---some math2---</math> and do not forget this too <math>---some math3---</math>.".

嗯，我想出的第一个正则表达式解决方案是这样的：

string pattern1 = @"\<math(.+)\<\/math\>";

为了得到匹配，我显然会使用：

Regex r = new Regex(pattern1, RegexOptions.IgnoreCase);
string[] res = r.Matches(input);

它似乎工作，太糟糕了，它不是因为这个表达式，而不是让我一个数组（使用 Reges.Matches）填充三个字符串（“---some math1---”，“---一些数学2---", "---一些数学3---");它给我一个只有一个元素的数组：“---some math1--- 啊，还有另一个表达式：---some math2--- 不要忘记这个---some math3---”。你知道吗？它需要第一个和最后一个，并在中间合并所有内容，而不关心其他一些元素！

好吧，我想这是关于正则表达式的一个众所周知的问题；有解决办法吗？如何告诉正则表达式引擎更...意识？

非常感谢您。

Answer 1

1. 使用正则表达式匹配 XML-/HTML-like 标签通常是个坏主意，而且很容易出错。我不知道 .NET 正则表达式提供的平衡组是否可以解决这个问题，所以请注意。

2. 您的问题之前已经困扰了许多其他问题 - 默认情况下，正则表达式是贪婪的。 .+ 可以匹配所有内容（包括</math>），因此它匹配整个输入。然后，因为正则表达式没有完全匹配，它开始回溯，直到正则表达式的其余部分可以匹配。所以</math> 子模式只匹配最后一个结束标签。要使正则表达式不贪婪，请在 + 之后添加 ?（或 *）。

Answer 2

试一试..

string pattern1 = @"\<math[\s\S]*?<\/math\>";
Regex r = new Regex(pattern1, RegexOptions.IgnoreCase);
MatchCollection res = r.Matches(input);

尼克

Answer 3

如果您使用的是 .NET BCL Regex 类，您应该能够使用平衡组来实现您所需要的：

http://blog.stevenlevithan.com/archives/balancing-groups

Answer 4

您可以使用 $[\backslash s\backslash S]*?$ 正则表达式。它适用于您提供的示例字符串。 它给了我3场比赛如下：

$---一些数学1---$

$---一些数学2---$

$---一些数学3---$

我希望这是你想要的。

Answer 5

这是您需要的正则表达式：

  <math>.*?</math>

它匹配每一对 ma​​th 标签。

如果开始标签可能包含属性，请改用此正则表达式：

  <math\b[^><]*>.*?</math>