正则表达式匹配 HTML 中的属性？答案

【问题标题】：Regex to match attributes in HTML?正则表达式匹配 HTML 中的属性？
【发布时间】：2009-01-21 11:30:25
【问题描述】：

我有一个 txt 文件，它实际上是某个网页的 html 源。在该 txt 文件中，有各种以“title=”标记开头的字符串。例如

<div id='UWTDivDomains_5_6_2_2'  title='Connectivity Framework'>

我有兴趣提取文本 Connectivity Framework 并将其写入单独的文件。

像这样，有很多这样的标签，每个标签在 title='some text here which I need to extract' 之后都有不同的文本我想从 html 源/txt 文件中提取所有此类文本实例并写入单独的 txt 文件。文本只能包含小写、大写字母和数字。每个文本字符串的长度（以字符为单位）会有所不同。

我正在为 Windows 使用 PowerGrep。 Powergrep 允许我使用正则表达式 inout 搜索文本文件。我尝试使用搜索作为标题='[a-zA-Z0-9]

它显示正确的匹配，但它只匹配字符串的第一个字符，并且只写入与第二个 txt 文件匹配的文本字符串的第一个字符，而不是所有字符串。

我希望所有字符串都匹配并写入第二个文件。

什么是正确的正则表达式或使用 powergrep 做我想做的事情的方法？

-AD。

【问题讨论】：

标签： html regex parsing

【解决方案1】：

我只是不确定必须询问多少次 HTML 文件的正则表达式解析问题（并以“使用 DOM 解析器”的正确解决方案来回答）。它每天都会出现。

困难在于：

在 HTML 中属性可以有单引号、双引号甚至没有引号；
类似的字符串可以出现在 HTML 文档本身中；
您必须处理正确的转义；和
HTML 格式错误（体面的解析器对常见错误非常稳健）。

因此，如果您满足所有这些要求（它会变得非常复杂但仍然不完美），它仍然不是 100%。

HTML 解析器的存在是有原因的。使用它们。

【讨论】：

我相信曾经有一个标签，但我想有人去把它从所有东西中删除了。它是相当令人沮丧的是这种频率出现的频率。黏？ :P
我们确实需要一些东西来阻止这个问题每天出现多次。某种弹出提问者的常见问题解答将“正则表达式”和“html”标签一起使用？
有时需要快速“解析”/检查 html。 DOM-Parser 的内存和速度都很重。因此，如果我必须处理大量数据，则正则表达式更容易、更快。当然有一些限制。
这就是 SAX 解析器的用途。

【解决方案2】：

其他答案都对正则表达式进行了正确的更改，因此我将解释您的原始答案存在什么问题。

方括号表示character class - 表示正则表达式将匹配这些括号内的任何字符。但是，与其他所有内容一样，默认情况下它只会匹配一次。正如正则表达式“s”将仅匹配“ssss”中的第一个字符一样，正则表达式“[a-zA-Z0-9]”将仅匹配“Connectivity Framework”中的第一个字符。

通过添加repetition，可以使该字符类重复匹配。最简单的方法是在它之后添加一个星号（它将匹配 0 次或更多次出现）。因此，正则表达式 "[a-zA-Z0-9]*" 将匹配一行中的尽可能多的字符，直到它遇到不在该字符类中的字符（在您的情况下，空格字符，因为您没有在括号中包含它）。

虽然正则表达式很难准确地描述语法 - 如果有人在属性中放置非字母数字字符（例如＆符号）怎么办？您可以尝试通过将字符集设置为“除引号字符之外的任何内容”来捕获引号之间的所有输入，因此“'[^']*'”通常会做正确的事情。通常您还需要记住转义（例如，使用字符串 'Mary\'s lamb' 您确实想要捕获中间的撇号，因此简单的“除了撇号”字符集不会削减它）虽然谢天谢地这不是根据规范，XML/HTML 存在问题。

不过，如果有一个现有的库可以为您进行提取，这可能比滚动您自己的库更快、更正确，所以如果可能的话，我会倾向于这样做。

【讨论】：

【解决方案3】：

我不熟悉 PowerGrep，但是，您的正则表达式不完整。试试这个：

title='[a-zA-Z0-9 ]*'

或者更好：

title='([^']*)'

【讨论】：

对不起，但这仍然不能完成工作。更多字符对属性有效，您想要解码的实体也是如此，您的示例现在使用单引号而不是双引号。一个有效的正则表达式应该与一对匹配的单引号或双引号一起工作。
我同意您可以使用更复杂的正则表达式。例如，您可以对开头的引号 - (['"]) 进行分组，并在引号之间和结尾处使用反向引用。我故意避免过度复杂化，怀疑提问者对正则表达式并不满意。

【解决方案4】：

我会使用这个正则表达式来获取标题属性值

<[a-z]+[^>]*\s+title\s*=\s*("[^"]*"|'[^']*'|[^\s >]*)

请注意，此正则表达式匹配带引号的属性值表达式。因此，如果需要，您必须删除它们。

【讨论】：

【解决方案5】：

这是您需要的正则表达式

title='([a-zA-Z0-9]+)'

但如果您要做更多这样的事情，使用解析器可能会使其更加健壮和有用。

【讨论】：

【解决方案6】：

试试这个：

title=\'[a-zA-Z0-9]*\'

【讨论】：