正則表達式，以提取類名

我有一些HTML，可能會或可能不會是有效的。如果HTML是無效的，最好則可以嘗試，而產生的任何錯誤都可以接受（即分組太多，因爲有些標籤沒有正確關閉）。

在該HTML是多種元素，其中一些可具有類（稱之爲「findme」）的。這些元素是不同類型的;一些IMG，一些對象，一些一個等

我需要一個正則表達式，將拔出的所有元素，與內容所包含是否含有內容。

例如：

<div> 
<span><img class="findme" src="something" /></span> 
<object class="findme" classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50"> 
    <param name="BorderStyle" value="1" /> 
    <param name="MousePointer" value="0" /> 
    <param name="Enabled" value="1" /> 
    <param name="Min" value="0" /> 
    <param name="Max" value="10" /> 
</object> 
</div>

運行在HTML的是大塊的正則表達式應該返回2個元素：

<img class="findme" src="something" />

和

<object class="findme" classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50"> 
     <param name="BorderStyle" value="1" /> 
     <param name="MousePointer" value="0" /> 
     <param name="Enabled" value="1" /> 
     <param name="Min" value="0" /> 
     <param name="Max" value="10" /> 
    </object>

你的任何正則表達式大師在那裏有關於這個的一個想法？

編輯：的語言是C＃。

來源

2009-07-30 jvenema

能否請您指定要使用這個工作的編程語言？ – 2009-07-30 14:15:51

雖然正則表達式可以適用於各種各樣的任務，但我發現它在解析HTML DOM時通常很短。HTML的問題在於，您的文檔結構變化太大，以至於很難準確（並且準確地說，我的意思是100％的成功率，並且沒有誤報）提取標籤。

我建議你做什麼是使用DOM解析器如SimpleHTML，並用它作爲這樣的：

require_once('SimpleHTML.class.php') 

$html_dom = str_get_dom($html); 
$tags = $html_dom->find('img.findme'); // Get all img elements of class findme

有些人可能認爲這是矯枉過正，但最終，它會更容易維護，也允許更多的可擴展性。例如，使用DOM解析器，我也可以得到alt屬性。

可以設計一個正則表達式來實現相同的目標，但會受到限制，使得它會強制alt屬性位於src之後或相反，並且克服此限制會增加常規表達。

另外，考慮下。要使用正則表達式正確匹配<img>標籤，並只得到class屬性（第2組拍攝的），你需要以下的正則表達式：

<\s*img\s+[^>]*?\s*class\s*=\s*(["'])((\\?+.)*?)\1[^>]*?>

再然後，上面都可能失敗：

屬性或標記名稱是在首都和不使用i修改。
報價繞不class屬性使用。
另一個屬性然後class使用>字符某處自己的價值。
我沒有預見到一些其他的原因。

所以再說一遍，根本就不用正則表達式來解析一個dom文件。

來源

2009-07-30 14:15:26

夠公平的。以前的要求要簡單得多，所以正則表達式工作得很好，但我認爲你是對的，這是超出正則表達式的聯盟。 – jvenema 2009-07-30 14:33:45

正則表達式是這項工作的極端貧困的工具。使用解析器。在你做之前，通過HTML Tidy運行它來修復無效的HTML。無論你使用什麼語言（你不會說）都會有一個或多個HTML解析器可用。

來源

2009-07-30 14:11:24 cletus

，而不是試圖直接與原料regex行動解決這個問題，
你應該考慮使用一些HTML解析器模塊在任何你熟悉的語言。
清單這裏一些參考，

的Perl：CDSProject，並且Analyzing HTML
的Tcl：tcllib sourceforge和TCL Wiki
的Python：docs.python，並DiveIntoPython

來源

2009-07-30 14:13:30 nik

ÿ您不要提及您使用的是哪種語言，但您應該將其加載到XmlDocument中並正確地搜索DOM。正則表達式會進行模式匹配，但您可能會得到各種誤報。

來源

2009-07-30 14:14:35 lotsoffreetime

一個例子值得+1。 – Shanimal 2015-07-15 18:20:30

試圖用正則表達式來解決這類問題是一種災難的方法。如果您在服務器上工作，請使用容錯html解析器（即.hpricot for ruby）解析代碼片段並針對dom進行驗證。在el.innerHTML =「...」上可以完成相同的操作。

來源

2009-07-30 14:15:12 flitzwald

正則表達式，以提取類名

回答

相關問題