c# - 正则表达式在c#中查找不完整的xml标签

Question

我正在尝试使用正则表达式来查找不完整的没有属性的 xml 标记。到目前为止，我已经设法想出了这个正则表达式</?\s*([a-zA-Z0-9]?:\s+)?[a-zA-Z0-9]*(?!>)，但这并不能解决问题。在这样的 xml 中： <abc> </abc> <ab> </ab <s:ab

我想匹配</ab和<s:ab（因为它们最后都缺少“>”）。有没有办法在 c# 中使用正则表达式来做到这一点？

Answer 1

你很接近。您的主要问题是，当负前瞻失败时，模式会回溯。您可以通过将前瞻之前的部分放在非回溯原子组中来避免这种情况：(?>no backtracking in here).

例如：

(?xi)                   # turn on eXtended (ignore spaces/comments) and case-Insensitive mode
(?>                     # don't backtrack
  < /?                  # tag start (no space allowed after it)
  [a-z0-9]+             # tag name/space
  (?: : [a-z0-9]+ )?
  \s*                   # optional spaces
)
(?! > )                 # no ending

请注意，这将<foo在<foo bar>.

Answer 2

正如人们所说，这可能是徒劳的——因为 XML 不是一种常规语言。但是，您的部分问题是您的前瞻性。你只需要确保它后面没有紧跟一个右尖括号——这意味着即使你不想要它们，类似<abof 的东西也会匹配。<abc>所以你需要在你的前瞻中包含整个标签结构。

为了匹配您提供的确切数据，我可以使用正则表达式：

#</?([a-z]?:)?[a-z]*(?!/?([a-z]?:)?[a-z]*>)#

您可以在此处查看实际操作。这里的关键是确保正则表达式引擎在任何时候都不能回溯（例如，删除一个字符）以验证前瞻。还有其他方法可以做到这一点 - 例如所有格量词，它拒绝在正常回溯过程中放弃其匹配的标记，但标准 .NET 引擎不支持所有格匹配。它确实支持原子组 - 其行为方式相同，但使用组而不是量词。您可以在这里看到，我已将标签的整个开口包裹在一个原子组中。( (?> ... ))

#(?></?([a-z]?:)?[a-z]*)(?!>)#

您可以自由输入自己的正则表达式来确定标签的格式，但我必须说这个正则表达式已经在推动代码可读性的极限，而使用合法的 xml 标签名称将进一步推动它在那个方向。尽管如此，我希望这有助于阐明这个错误。

Answer 3

如果您只是想在单个 xml 文件中查找错误，请尝试在 Google Chrome 网络浏览器中打开它 - 它会显示错误所在的行。

但是，如果您有很多文件必须在代码中处理，那么您需要比正则表达式更强大的东西。