用于提取标记属性的正则表达式

Question

我正在尝试提取锚标记(<a>)的属性.到目前为止,我有这样的表达:

(?<name>\b\w+\b)\s*=\s*("(?<value>[^"]*)"|'(?<value>[^']*)'|(?<value>[^"'<> \s]+)\s*)+

适用于字符串之类的

<a href="test.html" class="xyz">

和(单引号)

<a href='test.html' class="xyz">

但不是没有引号的字符串:

<a href=test.html class=xyz>

如何修改我的正则表达式使其适用于没有引号的属性？或者有更好的方法吗？

谢谢!

更新: 感谢您提供的所有好评和建议.有一件事我没有提到:遗憾的是我必须修补/修改我自己编写的代码.没有时间/金钱可以自下而上重写这些东西.

Answer 1

如果你有像这样的元素

<name attribute=value attribute="value" attribute='value'>

此正则表达式可用于连续查找每个属性名称和值

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?

应用于:

<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href='test.html' class="xyz">

它会产生:

'href' => 'test.html'
'class' => 'xyz'

注意:这不适用于数字属性值,例如<div id="1">不起作用.

Answer 2

虽然不通过regexp解析HTML的建议是有效的,但这里的表达式几乎与您提出的要求相同:

/
   \G                     # start where the last match left off
   (?>                    # begin non-backtracking expression
       .*?                # *anything* until...
       <[Aa]\b            # an anchor tag
    )??                   # but look ahead to see that the rest of the expression
                          #    does not match.
    \s+                   # at least one space
    ( \p{Alpha}           # Our first capture, starting with one alpha
      \p{Alnum}*          # followed by any number of alphanumeric characters
    )                     # end capture #1
    (?: \s* = \s*         # a group starting with a '=', possibly surrounded by spaces.
        (?: (['"])        # capture a single quote character
            (.*?)         # anything else
             \2           # which ever quote character we captured before
        |   ( [^>\s'"]+ ) # any number of non-( '>', space, quote ) chars
        )                 # end group
     )?                   # attribute value was optional
/msx;

"但是等等,"你可能会说."那么*评论呢？!？!" 好的,那么你可以用以下内容替换.非回溯部分:(它还处理CDATA部分.)

(?:[^<]|<[^!]|<![^-\[]|<!\[(?!CDATA)|<!\[CDATA\[.*?\]\]>|<!--(?:[^-]|-[^-])*-->)

• 此外,如果您想在Perl 5.10(我认为PCRE)下运行替换,您可以\K在属性名称前面放置,而不必担心捕获您想要跳过的所有内容.

Answer 3

Token Mantra响应:您不应该使用正则表达式调整/修改/收获/或以其他方式生成html/xml.

还有一些必须要考虑的问题,例如"和"这样的极端情况条件.你最好使用适当的DOM解析器,XML解析器,或其他许多经过试验和测试的工具来代替这项工作.发明自己的.

我不关心你使用哪一个,只要它被认可,测试,你使用一个.

my $foo  = Someclass->parse( $xmlstring ); 
my @links = $foo->getChildrenByTagName("a"); 
my @srcs = map { $_->getAttribute("src") } @links; 
# @srcs now contains an array of src attributes extracted from the page. 

Answer 4

只是为了与其他人一致:不要使用regexp解析HTML.

不可能创建一个表达式来为即使是正确的HTML片段选择属性,也不要介意所有可能的格式错误的变体.你的正则表达式已经非常难以理解,即使没有尝试应对无效的报价缺失; 进一步追逐真实世界HTML的恐怖,你会因为不可靠的不可靠表达而让自己疯狂.

现有的库可以读取损坏的HTML,或者将其更正为有效的XHTML,然后您可以轻松地使用XML解析器.使用它们.

Answer 5

您不能对多个捕获使用相同的名称.因此,您不能在具有命名捕获的表达式上使用量词.

所以要么不使用命名捕获:

(?:(\b\w+\b)\s*=\s*("[^"]*"|'[^']*'|[^"'<>\s]+)\s+)+

或者不要在此表达式上使用量词:

(?<name>\b\w+\b)\s*=\s*(?<value>"[^"]*"|'[^']*'|[^"'<>\s]+)

这也允许属性值,如bar=' baz='quux:

foo="bar=' baz='quux"

那么缺点是你必须在之后删除前导和尾随引号.

Answer 6

PHP(PCRE)和Python

简单的属性提取(见工作):

((?:(?!\s|=).)*)\s*?=\s*?["']?((?:(?<=")(?:(?<=\\)"|[^"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!"|')(?:(?!\/>|>|\s).)+))

或者使用标记打开/关闭验证,标记名称检索和注释转义.此表达式预见到未加引号/引号,单引号或双引号,属性内的转义引号,等号周围的空格,不同的属性数,仅检查标记内的属性,以及管理属性值中的不同引号.(见工作):

(?:\<\!\-\-(?:(?!\-\-\>)\r\n?|\n|.)*?-\-\>)|(?:<(\S+)\s+(?=.*>)|(?<=[=\s])\G)(?:((?:(?!\s|=).)*)\s*?=\s*?[\"']?((?:(?<=\")(?:(?<=\\)\"|[^\"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!\"|')(?:(?!\/>|>|\s).)+))[\"']?\s*)

(使用"gisx"标志更好地工作.)

使用Javascript

由于Javascript正则表达式不支持后视,因此它不支持我建议的先前表达式的大多数功能.但是如果它可能符合某人的需要,你可以尝试这个版本.(见工作).

(\S+)=[\'"]?((?:(?!\/>|>|"|\'|\s).)+)

Answer 7

这是我提取HTML Tag中的属性的最佳RegEx：

＃在引号内修剪匹配项（单引号或双引号）

(\S+)\s*=\s*([']|["])\s*([\W\w]*?)\s*\2

＃不带修剪

(\S+)\s*=\s*([']|["])([\W\w]*?)\2

优点：

• 您可以在引号内修剪内容。
• 匹配引号内的所有特殊ASCII字符。
• 如果您具有title =“ You're mine”，则RegEx不会损坏

缺点：

• 返回3组；首先是属性，然后是引号（“ |”），最后是引号内的属性，即：<div title="You're">结果是第1组：标题，第2组：“，第3组：您是。

这是在线RegEx示例：https : //regex101.com/r/aVz4uG/13

我通常使用此RegEx提取HTML标签：

如果您不使用，等标签类型<div，则建议您这样做<span。

<[^/]+?(?:\".*?\"|'.*?'|.*?)*?>

例如：

<div title="a>b=c<d" data-type='a>b=c<d'>Hello</div>
<span style="color: >=<red">Nothing</span>
# Returns 
# <div title="a>b=c<d" data-type='a>b=c<d'>
# <span style="color: >=<red">

这是在线RegEx示例：https : //regex101.com/r/aVz4uG/15

此RegEx中的错误是：

<div[^/]+?(?:\".*?\"|'.*?'|.*?)*?>

在这个标签中：

<article title="a>b=c<d" data-type='a>b=c<div '>Hello</article>

返回，<div '>但不应返回任何匹配项：

Match:  <div '>

要“解决”此删除[^/]+?模式：

<div(?:\".*?\"|'.*?'|.*?)*?>

答案＃317081很好，但与这些情况不正确匹配：

<div id="a"> # It returns "a instead of a
<div style=""> # It doesn't match instead of return only an empty property
<div title = "c"> # It not recognize the space between the equal (=)

这是改进：

(\S+)\s*=\s*["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))?[^"']*)["']?

与

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?

避免等号之间的空格：（\ S +）\ s * = \ s *（（？

更改最后的+和。用于：| [>“']））？[^”'] *）[“']？

这是在线RegEx示例：https : //regex101.com/r/aVz4uG/8

Answer 8

HTML 中的标签和属性具有以下形式

<tag 
   attrnovalue 
   attrnoquote=bli 
   attrdoublequote="blah 'blah'"
   attrsinglequote='bloob "bloob"' >

要匹配属性，您需要一个attr可查找四种形式之一的正则表达式。然后，您需要确保仅报告 HTML 标记内的匹配项。假设您有正确的正则表达式，总的正则表达式将是：

attr(?=(attr)*\s*/?\s*>)

前瞻确保只有其他属性和结束标记位于该属性之后。我使用以下正则表达式attr：

\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?

不重要的组被设为非捕获组。第一个匹配组$1为您提供属性的名称，值为 $2或$3之一$4。我用来$2$3$4提取值。最终的正则表达式是

\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?(?=(?:\s+\w+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[^><"'\s]+))?)*\s*/?\s*>)

注意：我删除了前瞻中所有不必要的组，并使所有剩余的组不捕获。