我想在 html 文档中匹配并捕获 所有现有（如果有） <style...</style> 块和 一个 <body..</body> 块的内部。
我认为这很简单，但我遇到了一些奇怪的事情。
这是我对整个正则表达式的猜测：
/(<style[\s\S]+<\/style>)*[\s\S]*<body.*>([\s\S]+)<\/body>/i
结果一无所获。所以我把它拆开，这些部分工作：
/(<body.*>([\s\S]+)<\/body>)/i
/(<style[\s\S]+<\/style>)/i
最奇怪的第一行也有效，而第二行结果为空！
/(<style[\s\S]+<\/style>)+/i
/(<style[\s\S]+<\/style>)*/i
所以，我猜错误是子模式后 * 和 + 之间的区别。为什么？我该如何解决这个问题？
谢谢！！
【问题讨论】：
你有四个问题：
第一和第二，您正在使用正则表达式来解析 HTML。
第三，你匹配的太多了：你至少需要让一些量词变得懒惰，即。 e.使用.*?、[\s\S]*? 等，否则您的正则表达式将匹配所有内容直到行或文件的末尾，然后只回溯尽可能多的内容以找到最后一个可能的匹配标签。
第四，通过在重复组中设置重复组，您已经为灾难性的回溯做好了准备，这两种方法都有无数种方法来匹配相同的文本。
据我了解您的问题，您希望匹配从第一个 <style> 标记到最后一个 </body> 的所有内容，并捕获所有 <style> 标记的内容和 <body> 标记的内容。正确的？那就试试吧
/(<style[\s\S]+<\/style>)[\s\S]*?<body.*?>([\s\S]+)<\/body>/i
要分别捕获每个<style> 块，您可以尝试最多四个可能的<style> 块：
/(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*(<style[\s\S]+?<\/style>)?\s*<body.*?>([\s\S]+)<\/body>/i
如果<style> 块都相邻并且仅由空格分隔。您能明白为什么为此使用正则表达式不是一个好主意吗？
【讨论】：
<style> 块。至少不是在 JavaScript 中； .NET 具有允许这样做的功能，但大多数正则表达式引擎不允许（除非您事先知道最多可以重复多少次）。我的解决方案从第一个到最后一个 <style> 块匹配，这是你可以用 JS 正则表达式做的最好的。