Regex -提取外部作用域匹配值<table><table></table></table>

Question

string input = "<table>
    <tr>
        <td>Text A</td>
    </tr>
    <tr>
        <td>
            <table>  <!-- Notice this is an inner scope table -->
                <tr>
                    <td>Text B</td>
                </tr>
            </table>
        </td>
    </tr>
</table>

<table>
    <tr>
        <td>
            <table> <!-- Notice this is an inner scope table -->
                <tr>
                    <td>Text C</td>
                </tr>
            </table>
        </td>
    </tr>
</table>

<table>
    <tr>
        <td>Text D</td>
    </tr>
</table>"

我有一系列上述字符串格式的表格。

我想提取出所有<tr>的第一级内容，其中预期提取的内容是：

Text A

<table>
    <tr>
        <td>Text B</td>
    </tr>
</table>

<table>
    <tr>
        <td>Text C</td>
    </tr>
</table>

Text D

我有以下正则表达式，它描述了我正在尝试做的事情

var regexTableRow = new Regex("<tr><td>(.*?)</td></tr>");

        var regexMatches = regexTableRow.Matches(htmlInput);

        var tableRows = new List<string>();

        foreach (Match match in regexMatches)
        {
            // Get a row of <tr></tr> out
            var value = match.Value;

            tableRows.Add(value);
        }

正则表达式失败的地方是它从内部表而不是外部表提取<tr>。如何让正则表达式在提取过程中只关注外部表？

谢谢。

编辑-谢谢，我将使用HtmlAgilityPack。下面的代码也面临着类似的问题：

var htmlDocument = new HtmlDocument();
            htmlDocument.LoadHtml(htmlInput);

            var output = htmlDocument.DocumentNode
                .SelectNodes("table/tr");

其中内部表被提取而不是外部表被提取。

Answer 1

使用正则表达式来实现这一点是不受欢迎的，但如果必须这样做，您可以定义一些边界，例如：

(?<=<table>)\s*<tr>\s*<td>([a-z0-9 ]*)<\/td>\s*<\/tr>

否则，事情就会变得相当复杂。

测试

using System;
using System.Text.RegularExpressions;

public class Example
{
    public static void Main()
    {
        string pattern = @"(?<=<table>)\s*<tr>\s*<td>([a-z0-9 ]*)<\/td>\s*<\/tr>";
        string input = @"<table>
    <tr>
        <td>Text A</td>
    </tr>
    <tr>
        <td>
            <table>  <!-- Notice this is an inner scope table -->
                <tr>
                    <td>Text B</td>
                </tr>
            </table>
        </td>
    </tr>
</table>

<table>
    <tr>
        <td>
            <table> <!-- Notice this is an inner scope table -->
                <tr>
                    <td>Text C</td>
                </tr>
            </table>
        </td>
    </tr>
</table>

<table>
    <tr>
        <td>Text D</td>
    </tr>
</table>";
        RegexOptions options = RegexOptions.Singleline | RegexOptions.IgnoreCase;
        
        foreach (Match m in Regex.Matches(input, pattern, options))
        {
            Console.WriteLine("'{0}' found at index {1}.", m.Value, m.Index);
        }
    }
}

如果您希望简化/修改/探索该表达式，可以在regex101.com的右上角面板中对其进行解释。如果您愿意，您还可以在this link中观看它如何与一些样本输入进行匹配。