使用Lookahead匹配使用正则表达式的字符串

我需要使用正则表达式来匹配一个字符串holiding html来取出所有嵌套跨度，我假设我有一种方法可以使用正则表达式来完成，但是没有整个上午都很成功使用Lookahead匹配使用正则表达式的字符串

所以对于

<DIV id=c445c9c2-a02e-4cec-b254-c134adfa4192 style="BORDER-RIGHT: #000000 1px solid; BORDER-TOP: #000000 1px solid; BORDER-LEFT: #000000 1px solid; BORDER-BOTTOM: #000000 1px solid; BACKGROUND-COLOR: #eeeeee"> 
<SPAN id=b8db8cd1-f600-448f-be26-2aa56ea09a9c> 
<SPAN id=304ccd38-8161-4def-a557-1a048c963df4> 
<IMG src="http://avis.co.uk/Assets/build/menu.gif"> 
</SPAN> 
</SPAN> 
<SPAN id=bc88c866-5370-4c72-990b-06fbe22038d5> 
<SPAN id=55b88bbe-15ca-49c9-ad96-cecc6ca7004e>UK<BR></SPAN> 
</SPAN> 
<SPAN id=52bb62ca-8f0a-42f1-a13b-9b263225ff1d> 
<SPAN id=0e1c3eb6-046d-4f07-96c1-d1ac099d5f1c> 
<IMG src="http://avis.co.uk/Assets/build/menu.gif"> 
</SPAN> 
</SPAN> 
<SPAN id=4c29eef2-cd77-4d33-9828-e442685a25cb> 
<SPAN id=0d5a266a-14ae-4a89-9263-9e0ab57f7ad2>Italy</SPAN> 
</SPAN> 
<SPAN id=f0a72eea-fddd-471e-89e6-56e9b9efbece> 
<SPAN id=b7d9ada7-ade0-49fe-aa5f-270237e87c2b> 
<IMG src="http://avis.co.uk/Assets/build/menu.gif"> 
</SPAN> 
</SPAN> 
<SPAN id=7604df94-34ba-4c89-bf11-125df01731ff> 
<SPAN id=330d6429-4f1b-46a2-a485-9001e2c6b8c1>Netherlands</SPAN> 
</SPAN> 
<SPAN id=a18fb516-451e-4c32-ab31-3e3be29235f6> 
<SPAN id=6c70238d-78f9-468f-bb8d-370fff13c909> 
<IMG src="http://avis.co.uk/Assets/build/menu.gif"> 
</SPAN> 
</SPAN> 
<SPAN id=5a2465eb-b337-4f94-a4f8-6f5001dfbd75> 
<SPAN id=47877a9e-a7d5-4f13-a41e-6948f899e385>Malta &amp; Gozo

样本输入字符串我希望得到每个外跨度和它所包含的跨度，以便在上面的文字应该有八个结果

任何帮助欣然接受

来源

2008-12-09 Kev Hunter

试试这个：

@"(?is)<SPAN\b[^>]*>\s*(<SPAN\b[^>]*>.*?</SPAN>)\s*</SPAN>"

这是基本相同PhiLho的正则表达式，但它允许标签之间的空白在两端。我还必须添加SingleLine/DOTALL修改器以适应匹配文本中的行分隔符。我不知道这些变化是否真的有必要; OP张贴的样本数据全部在一行上，但PhiLho将其分解（从而破坏了他自己的正则表达式）。

来源

2008-12-09 16:24:47

再次use an HTML parser走DOM：正则表达式永远不会足够强大，以执行此操作。

来源

2008-12-09 11:04:06 annakata

regexHtmlParserQuestions ++ ;-) – Tomalak 2008-12-09 11:08:38

我认为这是一个好名字的标记;-) – 2008-12-09 12:06:56

使用标准正则表达式来解决这个问题实际上是不可能的，因为它们基本上实现了Chomsky hierarchy（有限状态自动机）中的3型语法，而至少需要2型语法（某种堆栈或递归）来正确地识别任意的嵌套结构。

但是，如果您限制最大可能的嵌套级别，那么它可能是可能的，但我仍然怀疑正则表达式是否是最佳解决方案。

来源

2008-12-09 11:06:38

基本上，我同意上面的建议，使用正则表达式来解析HTML是要求代码打破有一天奇怪的合法HTML结构（更不用说格式错误的HTML，浏览器接受...）。寻找和使用一个好的HTML解析器可以在很多方面有所收获...

现在，我很务实（我无法抗拒一个小的正则表达式的挑战...），有时候我使用机器生成的HTML（通常是导出功能），因为我知道我看到的结构不太可能发生变化，这与作者可以进行拼写错误的手工生成的页面不同;它主要是为了在输出发生变化时可以适应的快速黑客。

就你而言，HTML是相当规则的，线性的和可预测的，所以RE很简单。我给Java代码，因为我不知道C＃，但适应应该是微不足道的。

Pattern p = Pattern.compile("(<SPAN id.*?<SPAN id.*?</SPAN></SPAN>)"); 
Matcher m = p.matcher(html); 
while (m.find()) 
{ 
    System.out.println(m.group(1)); 
}

HTH。

来源

2008-12-09 14:31:58 PhiLho

使用Lookahead匹配使用正则表达式的字符串

回答

相关问题