regex - 可选捕获组未捕获

Question

<tr><td align=right>Name:</td><td align=left><b><font color=black>Nathan</font></b></td></tr>
<tr><td align=right>Extension:</td><td align=left><b>222</b></td></tr>

我有上面的HTML文本（无法更改），我想要一个返回 3 个捕获组、标签(Name|Extension)字体颜色(black|red)和数据的正则表达式(\w+)。

我在返回捕获组 2（字体颜色）时遇到了一些问题。如您所见，它不在表格的“扩展”行中，因此我将捕获组设为可选。当我这样做时，第一行根本不匹配。我已经尝试了很多不同的量词组合的试验和错误，但我仍然无法得到我正在寻找的结果。

这是我到目前为止的模式：(Name|Extension):.*?(?:<font color=(black|red)>)?.*?>(\w+)

我相信它.*?正在消耗可选的捕获组，并且只匹配第 1 组和第 3 组。如果有人可以向我解释我哪里出错了，那就太好了。

编辑：作为一个试图了解更多关于正则表达式的人，如果人们可以将我上面的数据解释为不可变文本而不是 HTML，我将不胜感激。

Answer 1

这是您正在寻找的暴行：

 (Name|Extension).*?<b>[<font color=]{0,12}(black|red)?>?(.*?)</.*

它非常脆弱，如果您处理的 HTML 格式与您提供的示例略有不同，我绝对不会期望它能够工作。不过，如果那个 HTML 确实很糟糕，我认为你应该没问题。

请注意，这不能被视为 Signor Mendoza 在使用正则表达式解析 HTML 的固有不可能性方面是错误的证据；恰恰相反，这证明他在每一个细节上都是绝对正确的。这不是解析；这是作弊，就像我说的那样，如果您正在使用的源 HTML 与您提供的示例一样丑陋，您只会侥幸逃脱。

测试用例：

 <tr><td align=right>Name:</td><td align=left><b><font color=black>Nathan</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>222</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=red>Thomas</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>223</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=black>Frank</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>224</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=red>Steve</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>225</b></td></tr>
 <tr><td align=right>Name:</td><td align=left><b><font color=black>Tony</font></b></td></tr>
 <tr><td align=right>Extension:</td><td align=left><b>226</b></td></tr>

结果：

 Name black Nathan
 Extension  222
 Name red Thomas
 Extension  223
 Name black Frank
 Extension  224
 Name red Steve
 Extension  225
 Name black Tony
 Extension  226

Answer 2

问题是不情愿的量词。第一个开始.*?不消耗任何内容，允许正则表达式的下一部分尝试匹配 . 之后的 FONT 标记:。它没有找到一个，但这没关系，因为那部分是可选的。然后第二个.*?接管，只消耗它必须的量，直到>(\w+)可以匹配。所以如果有一个FONT 标签，它会被第二个匹配.*?，而不是你想要的可选组。

但是不要费心使量词变得贪婪；它可能会起作用，但更有可能只是失败的效率较低。试试这个：

<td[^>]*>(Name|Extension):</td><td[^>]*><b>(?:<font color=(black|red)>)?([^<]*)<

因为我明确匹配了标签后面的所有标签，所以如果有一个，它就在正确的位置来匹配 FONT 标签。如果它在那里，group(2)将包含颜色；否则它将是null。