RegEx соответствует открытым тегам, кроме автономных тегов XHTML

Мне кажется, вы пытаетесь сопоставить теги без "/" в конце. Попробуйте следующее:

<([a-zA-Z][a-zA-Z0-9]*)[^>]*(?<!/)>

W3C объясняет синтаксический анализ в форме псевдо-регулярного выражения:
Ссылка W3C

Перейдите по ссылкам var для QName , S и Атрибут для получения более четкого изображения.
На основе этого вы можете создать довольно хорошее регулярное выражение для обработки таких вещей, как удаление тегов.

Вы хотите, чтобы перед первым > не ставился / . Посмотрите здесь , чтобы узнать, как это сделать. Это называется отрицательным ретроспективным просмотром.

Однако наивная реализация этого приведет к сопоставлению в этом примере документа

<foo><bar/></foo>

. Не могли бы вы предоставить немного больше информации о проблема, которую вы пытаетесь решить? Вы программно перебираете теги?

Раньше я использовал инструмент с открытым исходным кодом под названием HTMLParser . Он разработан для анализа HTML различными способами и достаточно хорошо выполняет эту задачу. Он может анализировать HTML как разные триноды, и вы можете легко использовать его API для получения атрибутов из узла. Проверьте это и посмотрите, поможет ли это вам.

<?php
$selfClosing = explode(',', 'area,base,basefont,br,col,frame,hr,img,input,isindex,link,meta,param,embed');

$html = '
<p><a href="#">foo</a></p>
<hr/>
<br/>
<div>name</div>';

$dom = new DOMDocument();
$dom->loadHTML($html);
$els = $dom->getElementsByTagName('*');
foreach ( $els as $el ) {
    $nodeName = strtolower($el->nodeName);
    if ( !in_array( $nodeName, $selfClosing ) ) {
        var_dump( $nodeName );
    }
}

Вывод:

string(4) "html"
string(4) "body"
string(1) "p"
string(1) "a"
string(3) "div"

В основном просто определите имена узлов элементов, которые являются самозакрывающимися, загружают всю строку html в библиотеку DOM, захватывают все элементы, проходят цикл и отфильтровывают те, которые не являются самозакрывающимися, и работают с ними.

Я уверен, что вы уже знаете к настоящему времени вы не должны использовать регулярное выражение для этой цели.

Я не знаю, в чем конкретно вам это нужно, но если вы также используете .NET, не могли бы вы использовать Html Agility Pack ?

Отрывок:

Это библиотека кода .NET, которая позволяет вы должны разбирать HTML "вне Интернета" файлы. Парсер очень терпимый с "реальным" искаженным HTML.

Попробуйте:

<([^\s]+)(\s[^>]*?)?(?<!/)>

Он похож на ваш, но последний > не должен стоять после косой черты, а также принимает h1 .

Я предлагаю использовать QueryPath для синтаксического анализа XML и HTML в PHP. По сути, это тот же синтаксис, что и jQuery, только на стороне сервера.

Если вам это нужно для PHP:

Функции PHP DOM не будут работать должным образом, если они не будут правильно отформатированы в XML. Неважно, насколько лучше их использование для остального человечества.

simplehtmldom - это хорошо, но я обнаружил, что он немного глючит, и он требует большого объема памяти [Будет вылетать на больших страницах.]

Я никогда не использовал querypath , поэтому не могу комментировать его полезность.

Еще один вариант, который стоит попробовать - мой DOMParser , который очень мало использует ресурсы, и какое-то время я с удовольствием использую его. Простой в освоении и мощный.

Для Python и Java были опубликованы похожие ссылки.

Для тех, кто проголосовал против - я написал свой класс только тогда, когда парсеры XML оказались неспособными выдержать реальное использование.

Заявление об ограничении ответственности : используйте синтаксический анализатор, если у вас есть возможность. Тем не менее ...

Это регулярное выражение, которое я использую (!) Для сопоставления тегов HTML:

<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+>

Возможно, он не идеален, но я прогнал этот код через лот HTML. Обратите внимание, что он даже улавливает странные вещи, такие как , которые появляются в Интернете.

Я думаю, чтобы он не соответствовал самодостаточным тегам, вы либо захотите использовать отрицательный взгляд назад Коби :

<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+(?<!/\s*)>

или просто комбинировать, если и если нет.

Тем, кто проголосовал против: Это рабочий код реального продукта. Я сомневаюсь, что кто-то читает это создаст впечатление, что использование регулярных выражений в HTML социально приемлемо.

Предостережение : я должен отметить, что это регулярное выражение все еще не работает при наличии блоков CDATA, комментариев, и элементы сценария и стиля. Хорошие новости: от них можно избавиться с помощью регулярного выражения ...

Хотя произвольный HTML с одним регулярным выражением невозможен, иногда уместно использовать их для синтаксического анализа ограниченного, известного набора HTML. .

Если у вас есть небольшой набор HTML-страниц, с которых вы хотите очистить данные, а затем поместить их в базу данных, регулярные выражения могут работать нормально. Например, недавно я хотел получить имена, партии и округа австралийских федеральных представителей, которые я получил с веб-сайта парламента. Это была ограниченная разовая работа.

Регулярные выражения у меня отлично работали, и их очень быстро настраивали.

Если у вас есть небольшой набор HTML-страниц, с которых вы хотите очистить данные, а затем поместить их в базу данных, регулярные выражения могут работать нормально. Например, недавно я хотел получить имена, партии и округа австралийских федеральных представителей, которые я получил с веб-сайта парламента. Это была ограниченная разовая работа.

Регулярные выражения у меня отлично работали, и их очень быстро настраивали.

Если у вас есть небольшой набор HTML-страниц, с которых вы хотите очистить данные, а затем поместить их в базу данных, регулярные выражения могут работать нормально. Например, недавно я хотел получить имена, партии и округа австралийских федеральных представителей, которые я получил с веб-сайта парламента. Это была ограниченная разовая работа.

Регулярные выражения у меня отлично работали, и их очень быстро настраивали.

Я думаю, что недостаток здесь в том, что HTML - это грамматика Хомского типа 2 (контекстно-свободная грамматика) , а RegEx - это грамматика Хомского типа 3 (обычная грамматика) . Поскольку грамматика типа 2 фундаментально более сложна, чем грамматика типа 3 (см. иерархию Хомского ), математически невозможно проанализировать XML с помощью RegEx.

Но многие будут пытаться, некоторые даже заявят об успехе - но пока другие не найдут вину и полностью вас не собьют.

Но многие будут пытаться, некоторые даже заявят об успехе, но до тех пор, пока другие не найдут вину и полностью вас не собьют.

Но многие будут пытаться, некоторые даже заявят об успехе - но пока другие не найдут вину и полностью вас не собьют.

Когда мне нужно быстро извлечь что-то из HTML-документа, я использую Tidy для преобразования его в XML, а затем использую XPath или XSLT, чтобы получить то, что мне нужно. В вашем случае это будет примерно так:

//p/a[@href='foo']

Хотя ответы, которые нельзя разобрать HTML с помощью регексов, правильны, здесь они не применяются. Операционная система просто хочет разобрать один HTML-тег с помощью регексов, и это то, что можно сделать с помощью регулярного выражения.

Предлагаемый регекс неверен, однако:

<([a-z]+) *[^/]*?>

Если вы добавите что-то в регекс, путем обратного слежения он может быть вынужден соответствовать таким глупым вещам, как >, [^/] - это слишком неудобно. Также обратите внимание, что <пробел>*[^/]* является избыточным, так как [^/]* может также совпадать с пробелами.

<([a-z]+)[^>]*(?<!/)>