Question

我有一个包含大量重复块的文件

<li>
<span>תמונה מאירוע</span>
<a href="images/gallerys/events/big/109.jpg"
title="תמונה מאירוע"><img
src="images/gallerys/events/thumbnails/109.jpg" alt="cars" />
</a>
</li>

我想找到图片网址和拇指网址的文本对我的模式是：

href='(.*)'(.*)title(.*)src='(.*?)'

问题从第一个href返回到最后一个src的文本

Answer 1

您的示例中没有'。在这种情况下，title属性是一个新行，因此您永远无法正确匹配。这些仅仅是几个例子，但还有更多要处理的问题，并且使用纯正则表达式无法做到这一点。

无论您使用何种语言（除了bash / sed / awk ...系列之外），它都支持将HTML解析为DOM树，并且您可以轻松找到所需的节点。

注意：正如其他人指出的那样，其中一个问题是.*是贪婪的，这意味着它会尽可能多地吞噬我们。如果您真的很顽固，可以使用非贪婪版.*?或charset匹配来解决此问题，例如[^"']*。

Answer 2

Javascript实施

var m,
    pairs = [],
    rex = /<li>[\s\S]*?<a href="([^"]+)"[\s\S]+?<img\s+src="([^"]+)"/g,
    str = '<li>\n' +
          '<span>תמונה מאירוע</span>\n' +
          '<a href="images/gallerys/events/big/109.jpg"\n' +
          'title="תמונה מאירוע"><img\n' +
          'src="images/gallerys/events/thumbnails/109.jpg" alt="cars" />\n' +
          '</a>\n' +
          '</li>';

while ( m = rex.exec( str ) ) {
    pairs.push( [ m[1], m[2] ] );
}

console.log( pairs );

假设网址内没有引号。

使用正确的HTML解析器会更可靠。

无法匹配正则表达式

2 个答案: