我試圖從各種博客中獲取一些HTML，並注意到不同的提供者以不同的方式使用相同的標記。獲取變化的HTML標記的最佳方法
例如，下面是使用META NAME發電機標記不同的兩大供應商：
<meta content='blogger' name='generator'/>（第一內容，名字後面，是的，單引號！）<meta name="generator" content="WordPress.com" /> （名稱第一，內容稍後）有沒有辦法提取所有情況下的內容值（單/雙引號，行中的第一個/最後一個）？
P.S.儘管我使用的是Java，但如果它在普通表達式的正常表達式的地方，答案可能會幫助更多的人。
答案是：不使用正則表達式。
說真的。如果您碰巧知道它是有效的XML（可能幾乎從不是真的），請使用SGML分析器或XML分析器。你絕對會搞砸，並浪費大量時間試圖讓它正確。只要使用已有的東西即可。
根據XHTML標準，這些差異並不重要。
換句話說，他們是完全一樣的東西。
此外，如果您用單引號替換雙引號將是相同的。
'正常化'一個xml文檔的典型方法是使用一些將該文檔視爲其Infoset表示的API來削減它。 DOM和SAX風格的API都以這種方式工作。
如果你想手動解析它們（或者用RegEx），你必須在你的代碼中複製所有這些東西，並且在我看來，這是不實際的。
實際上，您應該使用某種HTML解析器，您可以在該頁面的DOM中檢查每個節點（因此也可以檢查節點屬性）。我沒有使用任何這些一段時間，所以我不知道利弊，但這裏是一個列表http://java-source.net/open-source/html-parsers
注意：單引號（即使沒有引號，如果該值不包含空格）根據the W3C HTML spec有效。引用：
默認情況下，SGML要求所有屬性值使用或者雙引號（ASCII十進制34）或單引號（ASCII十進制39）分隔...在某些情況下，作者可以指定值屬性沒有任何引號。
此外，不要忘記，屬性的順序可以顛倒，其他屬性可以出現在標籤中。
好吧，既然您正在尋找與語言無關的信息，那麼您可以嘗試REGEXEX，如/<meta\s.*content=.*>/，並從中得出結果並解析出您正在查找的特定值。我絕不是REGEX專家，所以可能有更好的方法，但是在http://www.codehouse.com/webmaster_tools/regex/上使用該工具時，我匹配了您提供的兩個字符串。
你可能想給Java的HTMLEditorKit一槍。通過試驗可以很容易地看到解析是否提供了您正在尋找的內容。
如果必須使用正則表達式，這裏是一個正則表達式來得到的只是內容的一部分：
content\s*=\s*['"].*?['"]
回報
content = "blogger"
和
content='Worpress.com'
分別。我不是正則表達式專家，但在regexpal中給出您的示例時，它會得到這些結果。
一旦你得到了，你可以得到所有的報價之間的所有選擇，不管你選擇，是另一個正則表達式（這只是不道德的）或只是循環的字符。
如果你使用java，你可能想看看tagsoup，這是一個SAX兼容的解析器，用於「解析HTML」，因爲它可以在野外找到。