html - 使用正则表达式查找嵌套 XML 标记

Question

这是我在这里的第一篇文章，希望得到一些回应。我已经阅读了几篇类似的帖子，并且一致认为不要尝试使用正则表达式解析 xml/html，但我所要求的似乎比其他帖子上的更容易，所以我试一试。

我试图找到所有的嵌套标签，这里有一些我想捕捉的例子： <a><a></a></a>

我不想抓 <a></a><a></a>

所以用简单的英语，我想抓住所有 <a>其他人<a>，而不需要</a>在他们之间……我想看看整个字符串，所以即使看到换行符或换行符我也应该继续

希望能解决这个问题。谢谢大家！

Answer 1

我希望您已准备好使用正则表达式解析 XML。

---

首先，让我们定义 XML 标记的外观！

<tag_name␣(optional space (then whatever that doesnt end with "/"))>(whatever)</␣(optional space)tag_name>
<tag_name␣(optional space)/>

为了匹配这些标签之一，我们可以使用以下正则表达式：

/<[^ \/>]++ ?\/>|<([^ \>]++) ?[^>]*+>.*?<\/ ?\1>/s

显然，没有标签会嵌套在我们的第二种 XML 标签中。所以我们的两级嵌套正则表达式将是：

/<([^ \>]++) ?[^>]*+>.*?(?:<([^ \>]++) ?[^>]*+>.*?<\/ ?\2>|<[^ \/>]++ ?\/>).*?<\/ ?\1>/s

现在让我们应用一些递归魔法（希望您的正则表达式引擎支持递归（并且还没有崩溃））：

/<([^ \>]++) ?[^>]*+>(.*?(?:<([^ \>]++) ?[^>]*+>(?:[^<]*+|(?2))<\/ ?\3>|<[^ \/>]++ ?\/>).*?)<\/ ?\1>/s

完成 - 正则表达式应该做。

不认真，试试看。

我从 w3schools XML 教程中偷了一个 XML 文件片段，并用我的正则表达式进行了尝试，我.xml从aliteralmind的问题中复制了一个 Maven 项目，并用我的正则表达式进行了尝试。最适用于重度嵌套元素。

_{（来源：gyazo.com）}

干杯。

Answer 2

如果您想要一个 100% 正确的解决方案，例如一个适用于评论和 CDATA 部分以及内部/外部实体中的任意内容以及作者选择的命名空间前缀的解决方案，那么它不能使用正则表达式来完成。

而且由于使用 XSLT 很容易实现 100% 正确的解决方案，我认为您使用了错误的技术。

毫无疑问，如果您准备投入足够的工作，您可以使用正则表达式实现可接受的高命中率，但细节取决于您尚未明确说明的规范方面：例如，您想要做什么您找到的嵌套元素，以及是否要定位嵌套 3 深或 4 深的元素以及嵌套 2 深的元素。