regex - 正则表达式因 html 片段而失败

Question

我需要使用 RegEx 提取 HTML 标记的内容。我正在搜索的正文如下所示：

<div class="content">
    The Price is <script type="text/javascript">document.write(123())</script>
</div>

我尝试使用此表达式，但失败了。我需要提取“document.write(123())”

(?s)<div class="content">[^<]*<script type="text/javascript">(.*?)</script></div>

如何修改我的表达以获得我所追求的？

Answer 1

您的正则表达式存在几个问题：

• 是什么(?s)？
• 你没有考虑和之间的</script>空间</div>
• 正斜杠 ( /) 我认为需要转义，即\/

这似乎有效（演示）：

<div class="content">[^<]*<script type="text\/javascript">(.*?)<\/script>[^<]*<\/div>

Answer 2

你只是忘了考虑和之间的<script>空间<div>

(?s)<div class="content">[^<]*<script type="text/javascript">(.*?)</script>\s*</div>

Answer 3

使用正则表达式从 HTML 中提取内容无疑是一种疯狂的做法。这比使用 Regex 验证电子邮件地址的想法更糟糕。

如果您使用的是 C#/.NET，我可以推荐HtmlAgility 包，它在从任何 HTML 中提取内容方面做得非常好（StackOverflow 上有一个很好的答案，显示了如何使用它）。

如果您正在使用其他技术，只需寻找做同样事情的替代库 - 您肯定会发现其他人已经解决了这个问题。