Question

我的意见是：
 blah blah blah 1 blah blah blah 2

我希望我的正则表达式与此匹配 xxxx模式
并且所需的输出是1.somenumber 2.xxxx

我写了一个天真的解决方案，可以涵盖了  blah blah blah 1
 blah blah blah 2
注意：他们在不同的路线上输出为：18，blah blah blah 1和19，blah blah blah 2

但输入为 blah blah blah 1 blah blah blah 2时这是在同一行

我的输出为18，blah blah blah 1 blah blah blah 2

我怎么能绕过这个问题？

更新：正则表达式：/\(.*)<\/span>/ig

testinput：
case1 - ＆gt;两行代码
often graces doorways tied into ropes called
often graces doorways tied into ropes called ristras.
case2 - ＆gt;一行代码
often graces doorways tied into ropes calledoften graces doorways tied into ropes called ristras.

Update2：
这不是dom，它只是我要处理的纯文本。

UPDATE3：所以关于正则表达式的问题已经解决了，现在我有一个关于比较正则表达式或dom运算之间的速度的问题？怎么可以实施这样的测试？

Answer 1

虽然您没有解析整个HTML文档，但您的输入显然包含HTML元素。

在任何一种情况下，Nokogiri都是首选的库：

require 'nokogiri'

input = '<span question_number="18"> blah blah blah 1</span><span question_number="19"> blah blah blah 2</span>'

doc = Nokogiri::HTML.fragment(input)
doc.css('span').map { |s| [s[:question_number], s.text] }
#=> [["18", " blah blah blah 1"], ["19", " blah blah blah 2"]]

Answer 2

如果它真的不是HTML（嗯？）你可以用

来做

<span question_number="(\d+)">(.*?)<\/span>

See it here at regex101

原始正则表达式的问题在于它是贪心。部分(.*)将匹配尽可能多的字符，确保仍然可以匹配剩余的<\/span>。因此，它找到第一个<span...并匹配最后 。我对解决方案的尝试非贪婪（?中的(.*?)），因此只与第一个匹配。

Answer 3

即使您坚持认为这不是HTML，但它确实看起来和它的气味相似，事实上它可以很容易地被HTML解析器解析：

require 'nokogiri'

doc = Nokogiri::HTML.fragment <<~'HTML'
  <span question_number="54">often graces doorways tied into ropes called</span> 
  <span question_number="54">often graces doorways tied into ropes called <i>ristras</i>.</span>
HTML

doc.xpath('span').map {|span| next span[:question_number].to_i, span.text }
#=> [[54, "often graces doorways tied into ropes called"], [54, "often graces doorways tied into ropes called ristras."]]

我不清楚为什么你坚持不使用HTML解析器来显示 HTML。

Answer 4

我已经看过这个问题，好像有一个字符串涉及 - 而不是DOM环境。在一天结束时，它＆lt;＆lt;和＆gt;这突然使它成为HTML。如果您掌握了该字符串，并了解它将包含哪些字符串及其边界，那么如果问题特定于您的需求，则有许多解决方案。

无论如何，如果您正在寻找答案，并且您知道您的所有问题绝对存在于内且属性为＆＃34; question_number＆＃34;然后我想你可以做这样的事情。没有正则表达式。

这是一个简单的版本，演示了如何从HTML字符串中提取信息。为简单起见，我将其粘贴在textarea中，以便您可以看到它实际上正常工作。您可以复制此代码并运行它。

但是，实际上您可能希望获得容器的innerHTML值，您知道该容器包含所有标记。

我知道有许多不同的方法可以解决这个问题，但这可以解决您的具体需求。

<html><body>
    <textarea id='htmlstring'>
        <div>Random HTML Before</div>
        <span question_number="18">blah blah blah 1</span>
        <span question_number="19">blah blah blah 1</span>
        <span question_number="21">blah blah blah 1</span>
        <span question_number="22">blah blah blah 1</span>
        <div>Random HTML After</div>
    </textarea>
    <script type="text/javascript">
        var t = document.getElementById('htmlstring');
        var q = t.value.split("<span question_number=");
        q.shift();
        for(var i in q){
            var d = q[i].split("</span>")[0];
            d = d.replace("\">","|");
            d = d.replace("\"","");
            d = d.split("|");
            alert("num="+d[0]+" val="+d[1]);
        }
    </script>
</body></html>

寻找更好的正则表达式解决方案

4 个答案: