用于提取标记属性的正则表达式

和(单引号)

但不是没有引号的字符串:

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.

如果你有像这样的元素

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:

它会产生:

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

注意:这不适用于数字属性值,例如

不起作用.

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.)

(?:[^<]|<[^!]||)

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.

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. 

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.

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:

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

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).)+)

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：