Question

Pre-scriptum：我纯粹很好奇，并且知道其他非常合适的解决方案，这些解决方案不在正则表达式的范围之内。

如何匹配起始标记，直到具有可能嵌套且可能相同的标记的结束标记。所以说我已经在HTML文件中给出了：

<div class="nice">
    <a href="http://www.google.com">Hello</a>
    <div>World</div>
</div>

假设我想通过正则表达式替换来评论。一个人可以做一个简单的

/(<div\sclass=\"nice\">(.*)</div>)/

但是那当然会匹配到非常接近的div标签，如果漂亮的div嵌入在另一个div中，则代码会犯规。使分隔符不贪婪会使代码犯规更多，匹配到非常第一个关闭div标签。

那么任何想法？我经常想到这一点，我从来没有找到解决方案，这在正则表达式中是不可能的，还是只是我忘记了简单的事情？是不是有某种“回顾”机制？

Answer 1

impossible中的regex。

改为使用HTML解析器，例如Beautiful Soup，html5lib，hpricot或nokogiri

Answer 2

.NET的Regex实现是为数不多的能够处理这种情况的实现之一。它提供balanced matching功能，可以使用和计算组来解析嵌套模式。

然而，这仍然不是一个完美的解决方案。例如，如果你将一个错误的html注释放入混合中，那么即使一个聪明的正则表达式与平衡匹配也会失败。因此，使用html解析器仍然会更好。

Answer 3

平衡匹配似乎是非常合适的工具，并且可能可以用多种语言实现，但Perl和.NET是我所能看到的最佳尝试。由于Perl有一个最简单的例子，这里有一个（借用http://www.perl.com/pub/a/2003/06/06/regexps.html）：

$paren = qr/
      \(
        ( 
           [^()]+  # Not parens
         | 
           (??{ $paren })  # Another balanced group (not interpolated yet)
        )*
      \)
    /x;

（?? {$ paren}）只是指正则表达式本身导致递归正则表达式。很漂亮，我想我应该提到我对这样的解决方案持开放态度，但当然，这根本不是一个纯粹的正则表达式例子，当然这根本不可能定义：）

Answer 4

通常的建议不适用于HTML的regexp，因为HTML 不是常规的。因此，尝试使用正则表达式解析它（特别是对于像上面那样严格的事情）将会遇到困难。

Answer 5

不是我建议使用它，而是：

'#\<([\w]+)([^>]*?)(([\s]*\/>)|(\>((([^\<]*?|<\!\-\-.*?\-\->)|(?R))*)\<\/\1[\s]*\>))#sm'

应该有效，匹配任何标签，可以调整以匹配特定标签。

Answer 6

正如其他人所说，这通常是一个坏主意。但是你说你只是出于好奇而问，所以这就是......

使用传统的正则表达式概念无法解决您的问题，但是某些引擎（如.NET）会作弊，并通过“平衡组定义”为您提供一种方法。

这是一个教程：http://www.codeproject.com/KB/recipes/Nested_RegEx_explained.aspx

Answer 7

我的javascript正则表达式解决方案（сorrectly处理嵌套标签）

算法：

从所有正则表达式匹配到开始标记，我们采取最后一场比赛
在上次打开代码和代码本身之前暂时删除文字
在剩下的文字中，我们会查找第一个结束标记并将其标记为</tagnameGUID>

并重复其他比赛：）

功能无法解析自动关闭代码

function get_arr_tags(txt, tag) {
   function S4() {
      return (((1 + Math.random()) * 0x10000) | 0).toString(16).substring(1);
   }
   function GUID() {
      return (S4() + S4()).toUpperCase();
   }
   var arr = [];
   if (!txt || !tag) return arr;
   var r_open = null;
   var r_close = null;
   var guid = GUID();
   r_open = RegExp('<' + tag + '\\b[^>\\/]*?>', 'gi');
   r_close = RegExp('<\\s*?\/\\s*?(' + tag + ')\\b[^>]*?>', 'gi');
   var m_arr = [];
   for (match = r_open.exec(txt); match != null; match = r_open.exec(txt)) {
      m_arr.push(match);
   }
   for (var i = m_arr.length - 1; i >= 0; i--) {
      var last_m_open = m_arr[i];
      r_close.lastIndex = 0;
      var frst_m_close = r_close.exec(txt.substring(last_m_open.index));
      var real_close_idx = last_m_open.index + frst_m_close.index;

      var obj = {
         'begin_idx': last_m_open.index,
         'open_tag': last_m_open[0],
         'close_tag': frst_m_close[0],
         'outerHTML': txt.substring(last_m_open.index, real_close_idx + frst_m_close[0].length).replace(RegExp(guid, 'g'), ''),
         'innerHTML': txt.substring(last_m_open.index + last_m_open[0].length, real_close_idx).replace(RegExp(guid, 'g'), '')
      }
      obj.close_tag_begin = obj.begin_idx + obj.open_tag.length + obj.innerHTML.length;
      obj.end_idx = obj.close_tag_begin + obj.close_tag.length;

      arr.splice(0, 0, obj);

      txt = txt.substring(0, real_close_idx) +
      txt.substring(real_close_idx, real_close_idx + frst_m_close[0].length)
         .replace(frst_m_close[1], frst_m_close[1] + guid) +
         txt.substring(real_close_idx + frst_m_close[0].length);
   }
   return arr;
}

用法：

var txt = '<table>' +
   '<tr><td>1' +
   '<table><tr><td>2' +
   '<table><tr><td>3' +
   '</td></tr></table><table>inner_3</table>' +
   '</td></tr></table>' +
   '</td></tr>' +
   '</table>' +
   '<table>1st</table>' +
   '<table>2nd</table>';
var arr = get_arr_tags(txt, 'table');

对于你的例子：

var txt = '<div class="nice">' +
   '<a href="http://www.google.com">Hello</a>' +
   '<div>World</div>' +
   '</div>';
var arr = get_arr_tags(txt, 'div');

匹配嵌套标签

7 个答案: