regex - 如何将 html 标签与 perl 正则表达式匹配？

Question

鉴于下面的代码，我想匹配第一次form出现。我发现?!可以使用负前瞻来实现这一目标，但它不起作用。我的正则表达式有什么问题？

#test
$test = "<form abc> foo </form> <form gg> bar </form>";
$test =~ m/<form[^>]*abc[^>]*>(?!.*form>.*)form>/s;
print $&;

score 7 · Accepted Answer

首先，在解释正则表达式之前：使用像HTML::TreeBuilder创建文档树这样的模块，然后从那里获取您的信息。使用正则表达式解析 HTML 太容易出错，无法在现实世界中使用。

这是你的字符串：

"<form abc> foo </form> <form gg> bar </form>"

还有你的正则表达式（为了可读性而写扩展，与/x标志一样）：

<form [^>]* abc [^>]* > (?! .* form> .* ) form>

<form找到文字字符序列时锚定
[^>]*搜索多个非>字符。最初它匹配 abc
abc匹配文字字符序列abc。但是因为正则表达式引擎当前看到 a >它必须回溯，直到[^>]*匹配。
[^>]*将不匹配，因为引擎看到>
>匹配>
当表达式.* form .*不匹配时，否定前瞻匹配。
- 将.*消耗所有字符，直到字符串结束。
- form>导致引擎回溯直到.*匹配foo </form> <form gg> bar </。
- 什么都不匹配，.*但这没关系。

所以前瞻成功，但它是负前瞻，所以断言失败。Regex 的最后一部分甚至不会被执行。

在我们的.*例子中消耗了太多的字符。这称为贪心匹配。

非贪心匹配是用一个尾随的?like编写的.*?。此版本最初使用零个字符，并首先检查模式的下一部分。如果这不起作用，它会迭代地消耗另一个字符，直到匹配。

<form [^>]* > .*? </form>

在开始标签内，只>允许使用非字符。在标签之间，允许任何字符。我们进行非贪婪匹配，因此第一个结束标记匹配并结束正则表达式。

但是，这个解决方案有点问题。宽容的 HTML 解析器不会在attr="val<u>e". 我们会。此外，第一个</form>是匹配的，如果我们有嵌套表单，这是不可取的。虽然在这个用例中没有问题，但这个正则表达式在匹配<div>s 等时完全没用。

Perl 正则表达式非常强大，允许您声明递归语法。内置语法有点笨拙，但我建议该Regexp::Grammars模块轻松做到这一点。更好的是，只需使用已经存在的成熟的 HTML 解析器。

不鼓励使用$&(and $`and $')，因为它使 perl 非常低效。这不会在一个小脚本中体现出来，但无论如何它的风格很糟糕。而是用括号将整个正则表达式括起来以捕获匹配项

m{ ( <form [^>]* > .*? </form> ) }

然后使用$1.

本perlretut教程可能是理解 Perl 正则表达式的一个很好的介绍。

1 回答 1