有人能解释如何设计一个可以工作的Regex，而不管在HTML标记之后/之前是否有一个空格

Question

需要使用Regex而不是解析器从HMTL/XML页面中提取属性，但不能使Regex <span class='street-address'> (?<Street>.*)从下面的文本(与此完全相同的行距)在Rubular中提升2346 21st Ave NE。

<span class='street-address'>
2346 21st Ave NE
</span>

另外，我的Regex只有在压缩文本并且在第一个HTML标记之后和最后一个HTML标记之前有空格时才能工作。如果我更改Regex以消除这些空格，则跳过空格HTML标记。我想让Regex尽可能的充满活力。

无论在HTML标记或换行之前是否有空格，我如何构造一个起作用的Regex？

Answer 1

正如您在几乎所有与xhtml和regex相关的答案中所发现的，除非您真正知道涉及哪些html内容，否则不应该使用regex解析html。我会使用html解析器代替。

您只需使用s (单行标志)并使用惰性量词。

<span class='street-address'>(?<Street>.*?)<\/span>

工作演示

还可以使用内联s标志，如下所示：

(?s)<span class='street-address'>(?<Street>.*?)<\/span>
 ^--- here

另一方面，如果您不想使用regex标志，可以使用一个众所周知的技巧，方法是使用两个相反的集合，如[\s\S]：

<span class='street-address'>(?<Street>[\s\S]*?)<\/span>

我只想让你知道，这个把戏意味着：

\s     --> matches whitespace (spaces, tabs). 
\S     --> matches non whitespace (same as: [^\s])
[\s\S] --> matches whitespace or non whitespace (so... everything)

你可以用这个技巧来处理你想要的任何东西，比如：

[\s\S] whitespace or non whitespace
[\w\W] word or non word
[\d\D] digit or non digit
[\b\B] word boundary or non word boundary