regex - 正则表达式获取所有匹配项，包括较小的子匹配项

Question

我有以下输入字符串

Testing <B><I>bold italic</I></B> text. 

并遵循正则表达式：

<([A-Z][A-Z0-9]*)\b[^>]*>.*</\1>

此正则表达式仅提供以下更大的匹配

<B><I>bold italic</I></B>

如何使用正则表达式来获得较小的匹配？

<I>bold italic</I>

我尝试使用非贪婪运算符，但它也没有奏效。

是否可以使用 java 或 c# 匹配组或匹配集合作为匹配组？

Answer 1

试试下面的正则表达式，它使用正面的向后看，

(?<=>)<([A-Z][A-Z0-9]*)\b[^>]*>.*<\/\1>

演示

>它查找紧随符号之后开始的标签。

解释：

• (?<=>)此处使用正向lookbehind，它将匹配标记设置在>符号之后。
• <文字<符号。
• ([A-Z][A-Z0-9]*\b[^>]*>)捕捉到下一个>符号。
• .*匹配除\n零次或多次以外的任何字符。
• <\/\1>匹配中立</+第一个捕获的组+>

Answer 2

您可能知道，许多人更喜欢使用 DOM 解析器来解析 html。但是看看你现有的正则表达式，要修复它，我建议这样做：

<([A-Z][A-Z0-9]*)\b[^<>]*>[^<]*</\1>

请参阅演示。

解释

• 在标签内部，在.*匹配太多字符的内部，我们使用[^<]*，它匹配任何不是开始标签的字符。这样我们就不会进入另一个标签。
• 同样，我将您更改[^>]*为，[^<>]*因此我们不会开始另一个标签
• 我假设你会让这个不区分大小写