在HTML中匹配属性的Regex？

Question

我有一个txt文件，它实际上是一些网页的html来源。在该txt文件中，有多个字符串，前面有一个"title=“标记。例如：

<div id='UWTDivDomains_5_6_2_2'  title='Connectivity Framework'> 

我感兴趣的是将文本连接框架提取出来并写入一个单独的文件。

就像这样，有许多这样的标记，每个标签在title='some之后都有一个不同的文本，我需要从html源文件/ txt文件中提取所有这样的文本实例，然后写到一个单独的txt文件中。文本只能包含小写、大写字母和数字。每个文本字符串的长度(以字符为单位)将有所不同。

我在windows上使用PowerGrep。Powergrep允许我搜索带有正则表达式inout的文本文件。我试着用搜索作为标题=‘a-za-z0-9

它显示正确的匹配，但它只匹配字符串的第一个字符，并且只写入与第二个txt文件匹配的文本字符串的第一个字符，而不是所有字符串。

我希望所有字符串都被匹配并写入第二个文件。

使用powergrep，正确的正则表达式或做我想做的事情的方法是什么？

-AD。

Answer 1

我不熟悉PowerGrep，但是，您的正则表达式是不完整的。试试这个：

title='[a-zA-Z0-9 ]*'

或者更好的是：

title='([^']*)'

Answer 2

我只是不确定需要问多少次HTML文件的正则表达式解析问题(并用正确的解决方案“使用DOM解析器”来回答)。每天都会出现。

困难是：

• 在HTML属性中可以有单引号、双引号甚至没有引号；
• 类似的字符串可以出现在HTML文档本身中；
• 你必须处理正确的逃逸；
• 格式错误的HTML (体面的解析器对常见错误非常健壮)。

因此，如果你满足所有这些(这是一个相当复杂，但仍然不完善的指标)，它仍然不是100%。

HTML解析器的存在是有原因的。用它们。

Answer 3

其他的答案都给出了正则表达式的正确更改，所以我将解释原来的问题是什么。

方括号表示一个字符类 -意味着正则表达式将匹配这些括号中的任何字符。但是，与其他一切一样，默认情况下它只匹配一次。正如正则表达式"s“只匹配"ssss”中的第一个字符一样，正则表达式"[a-zA-Z0-9]“将只匹配"Connectivity Framework”中的第一个字符。

通过添加重复，可以使该字符类重复匹配。最简单的方法是在它之后添加一个星号(这将匹配0或更多的出现)。因此，regex "[a-zA-Z0-9]*“将匹配一行中的字符，直到它碰到不属于该字符类的字符(在您的例子中，空格字符，因为您没有将它包含在括号中)。

但是，要准确地描述语法，Regexes可能非常复杂--如果有人在属性中添加了非字母数字字符(如符号和符号)，该怎么办？您可以尝试捕获引号之间的所有输入，方法是将字符集设置为“除引号字符之外的任何内容”，因此"'[^']*'“通常会做正确的事情。通常，您也需要记住转义(例如，使用字符串'Mary\'s lamb'，您确实希望捕获中间的撇号，这样简单的“除撇号”字符集就不会剪掉它)，但谢天谢地，根据规范，这不是XML/HTML的问题。

尽管如此，如果有一个现有的库可以为您进行提取，这可能比滚动您自己的更快和更正确，所以如果可能的话，我会倾向于这样做。