正则表达式选择标签之间的所有文本

Question

选择2个标签之间所有文本的最佳方法是什么 - 例如:页面上所有"pre"标签之间的文本.

Answer 1

你可以使用"<pre>(.*?)</pre>"(用你想要的任何文本替换pre)并提取第一组(更具体的指令指定语言),但这假设你有非常简单和有效的HTML的简单概念.

正如其他评论者所建议的那样,如果您正在做一些复杂的事情,请使用HTML解析器.

Answer 2

标签可以在另一行中完成.这就是\n需要添加的原因.

<PRE>(.|\n)*?<\/PRE>

Answer 3

这就是我要用的.

(?<=(<pre>))(\w|\d|\n|[().,\-:;@#$%^&*\[\]"'+–/\/®°?!?{}|`~]| )+?(?=(</pre>))

基本上它的作用是:

(?<=(<pre>))选择必须以<pre>标签为前缀

(\w|\d|\n|[().,\-:;@#$%^&*\[\]"'+–/\/®°?!?{}|~]| )这只是我想要应用的正则表达式.在这种情况下,它会选择字母或数字或换行符或方括号中示例中列出的一些特殊字符.管道字符|仅表示" OR ".

+?加上字符状态以选择上述一个或多个 - 顺序无关紧要.问号将默认行为从"贪婪"更改为"未批准".

(?=(</pre>))选择必须附加</pre>标签

根据您的使用情况,您可能需要添加一些修饰符,如(i或m)

• 我 - 不区分大小写
• m - 多行搜索

在这里,我在Sublime Text中执行了此搜索,因此我不必在我的正则表达式中使用修饰符.

Javascript不支持lookbehind

上面的例子应该适用于PHP,Perl,Java等语言...但是,Javascript不支持lookbehind所以我们不得不忘记使用(?<=(<pre>))并寻找某种解决方法.也许从我们的结果中为每个选项简单地删除前四个字符,就像在这里使用 标记之间的正则表达式匹配文本一样

另请参阅JAVASCRIPT REGEX DOCUMENTATION以了解非捕获括号

Answer 4

使用以下模式获取元素之间的内容.将[tag]替换为您要从中提取内容的实际元素.

<[tag]>(.+?)</[tag]>

有时标签都会有属性,如[tag]具有标签anchor,然后用下面的模式.

 <[tag][^>]*>(.+?)</[tag]>

Answer 5

这个答案假设支持环顾四周！这使我能够识别成对的开始和结束标签之间的所有文本。这就是“>”和“<”之间的所有文本。它起作用是因为环顾四周不会消耗它匹配的字符。

(?<=>)([\w\s]+)(?=<\/)

我使用此 HTML 片段在https://regex101.com/ 中对其进行了测试。

<table>
<tr><td>Cell 1</td><td>Cell 2</td><td>Cell 3</td></tr>
<tr><td>Cell 4</td><td>Cell 5</td><td>Cell 6</td></tr>
</table>

这是一个由三部分组成的游戏：回顾、内容和展望。

(?<=>)    # look behind (but don't consume/capture) for a '>'
([\w\s]+) # capture/consume any combination of alpha/numeric/whitespace
(?=<\/)   # look ahead  (but don't consume/capture) for a '</'

我希望这可以作为 10 的开始。运气。

Answer 6

您不应该尝试使用正则表达式解析html,看看这个问题以及结果如何.

简单来说,html不是常规语言,因此无法使用正则表达式完全解析.

已经说过,当没有嵌套的类似标签时,你可以解析html的子集.因此,只要介于和之间的任何内容都不是标记本身,这将起作用:

preg_match("/<([\w]+)[^>]*>(.*?)<\/\1>/", $subject, $matches);
$matches = array ( [0] => full matched string [1] => tag name [2] => tag content )

一个更好的想法是使用解析器,如本机DOMDocument,加载您的HTML,然后选择您的标签,并获得内部html,可能看起来像这样:

$obj = new DOMDocument();
$obj -> load($html);
$obj -> getElementByTagName('el');
$value = $obj -> nodeValue();

由于这是一个合适的解析器,它将能够处理嵌套标签等.

Answer 7

这似乎是我发现的最简单的正则表达式

(?:<TAG>)([\s\S]*)(?:<\/TAG>)

1. (?:<TAG>)从匹配中排除开始标签
2. ([\s\S]*)在匹配项中包含任何空格或非空格字符
3. (?:<\/TAG>)从匹配中排除结束标记

Answer 8

尝试这个....

(?<=\<any_tag\>)(\s*.*\s*)(?=\<\/any_tag\>)

Answer 9

要排除定界标记：

"(?<=<pre>)(.*?)(?=</pre>)"