任何復雜的正則表達式都是由簡單的子表達式組成的,要想寫出復雜的正則來,一方面需要有化繁為簡的功底,另外一方面,我們需要從正則引擎的角度去思考問題。關於正則引擎的原理,推薦《Mastering Regular Expression》中文名叫《精通正則表達式》。挺不錯的一本書。
OK,先確定我們要解決的問題——從一段Html文本中找出特定id的標簽的innerHTML。
這裡面最大的難點就是,Html標簽是支持嵌套的,怎麼能夠找到指定標簽相對應的閉合標簽呢?
我們可以這樣想,先匹配最前面的起始標簽,假設是div吧(<div),接著一旦遇到嵌套div,就“壓入堆棧”,後面如果遇到div閉合標簽了,就“彈出堆棧”。如果遇到閉合標簽的時候,堆棧裡面已經沒有東西了,那麼匹配結束,此結束標簽為正確的閉合標簽。
我之所以能夠這樣去思考,是因為我了解過正則的特性,我知道正則中的平衡組能夠實現我剛才說的“堆棧”操作。所以,如果我們要編寫復雜正則表達式,需要對正則的一些高級特性至少有所了解,這樣我們思考問題才有個方向。
================================
匹配任意閉合HTML標簽的正則表達式:
<(?<HtmlTag>[\w]+)[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>
如果只想匹配div標簽,可以使用下面的正則表達式:
<(?<HtmlTag>div)[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>
是的,你可以把div修改成任意你想要匹配的HTML標簽
如果想同時匹配多個HTML標簽,可以使用下面的正則表達式:
<(?<HtmlTag>(div|span|h1))[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>
你還可以繼續添加更多要匹配的標簽
如果想匹配包含ID的標簽,可以使用下面的正則表達式:
<(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)footer(?(Quote)\k<Quote>)[^>]*?(/>|>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>)
這個正則匹配任意id為footer的HTML標簽