Melhorar minhas habilidades de expressão regular

Question

Eu tenho vontade de melhorar minhas habilidades de regex para algum tempo agora e "Dominando Expressões Regulares" foi recomendado algumas vezes assim que eu comprei e tenho lido sobre isso o dia passado ou assim.

Eu criei a seguinte expressão regular:

^(?:<b>)?(?:^<i>)?<a href="/site\.php\?id=([0-9]*)">(.*?) \(([ a-z0-9]{2,10})\)</a>(?:^</i>)?(?:</b>)?$

que combina as duas primeiras ligações, mas ignora os dois fechado por uma tag <i>. Ele extrai o id, título e tipo.

<a href="/site.php?id=6321">site 1 title (type 1)</a>
<b><a href="/site.php?id=10254">site 2 title (type 2)</a></b>

<i><a href="/site.php?id=5479">site 3 title (type 3)</a></i>
<b><i><a href="/site.php?id=325">site 4 title (type 4)</a></i></b>

Embora ele funciona, parece bastante longo para algo tão simples, ele poderia ser melhorado?

Answer 1

Se seus screenscrappers escrita como Whilliham legitimamente menciona DOM pode ser apenas um analisador adequado como Regex desde HTML é muito mais perdoando então Regex.

Não encurtado muito, mas um pouco o regex é mais complacente

• início Removido de corda e no final do cheques de cordas, você realmente precisa -los?
• lookbehind negativo para se certificar de <a> não é precedido por <i>
• uso de \ d simples asertation em vez de [0-9] aspirador pouco.
• Você teve digite 3 a 11 caracteres i mudou para 3 ou mais.
• cheques removidos para tags de fim não tenham nenhuma significado contextual para o seu screenscrapper (presumivelmente).

(?<!<i>)<a href="/site.php\?id=(\d*)">(.*?) \(([ a-z\d]{2,})\)

Answer 2

Curto de usar classes de personagens (\ d para 0-9 etc.) Eu não vejo que a expressão regular em questão poderia ser encurtado muito; no entanto ...

Como uma nota lateral, pode valer a pena mencionar que a análise de HTML com expressões regulares é perigoso na melhor das hipóteses; quando se lida com HTML (e, em menor medida XML), ferramentas de DOM são geralmente mais adequadas.