Регулярное выражение для извлечения атрибутов тега
Вопрос
Я пытаюсь извлечь атрибуты тега привязки (<a>
).До сих пор у меня было такое выражение:
(?<name>\b\w+\b)\s*=\s*("(?<value>[^"]*)"|'(?<value>[^']*)'|(?<value>[^"'<> \s]+)\s*)+
который работает для таких строк, как
<a href="test.html" class="xyz">
и (одинарные кавычки)
<a href='test.html' class="xyz">
но не для строки без кавычек:
<a href=test.html class=xyz>
Как я могу изменить свое регулярное выражение, чтобы оно работало с атрибутами без кавычек?Или есть лучший способ сделать это?
Спасибо!
Обновить: Спасибо за все хорошие комментарии и советы на данный момент.Есть одна вещь, о которой я не упомянул:К сожалению, мне приходится исправлять / модифицировать код, написанный не мной.И нет ни времени, ни денег, чтобы переписывать этот материал снизу доверху.
Решение
Если у вас есть такой элемент, как
<name attribute=value attribute="value" attribute='value'>
это регулярное выражение может использоваться для последовательного поиска каждого имени и значения атрибута
(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?
Применено:
<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href='test.html' class="xyz">
это даст:
'href' => 'test.html'
'class' => 'xyz'
Примечание. Это не работает со значениями числовых атрибутов, например
<div id="1">
не будет работать.
Другие советы
Хотя совет не разбирать HTML с помощью регулярного выражения верен, вот выражение, которое делает в значительной степени то, что вы просили:
/
\G # start where the last match left off
(?> # begin non-backtracking expression
.*? # *anything* until...
<[Aa]\b # an anchor tag
)?? # but look ahead to see that the rest of the expression
# does not match.
\s+ # at least one space
( \p{Alpha} # Our first capture, starting with one alpha
\p{Alnum}* # followed by any number of alphanumeric characters
) # end capture #1
(?: \s* = \s* # a group starting with a '=', possibly surrounded by spaces.
(?: (['"]) # capture a single quote character
(.*?) # anything else
\2 # which ever quote character we captured before
| ( [^>\s'"]+ ) # any number of non-( '>', space, quote ) chars
) # end group
)? # attribute value was optional
/msx;
"Но подождите", - могли бы сказать вы."А как насчет *комментариев?!?!" Хорошо, тогда вы можете заменить .
в разделе без возврата с:(Он также обрабатывает разделы CDATA.)
(?:[^<]|<[^!]|<![^-\[]|<!\[(?!CDATA)|<!\[CDATA\[.*?\]\]>|<!--(?:[^-]|-[^-])*-->)
- Также, если вы хотите запустить замену под Perl 5.10 (и я думаю, PCRE), вы можете поместить
\K
прямо перед именем атрибута, и вам не придется беспокоиться о захвате всего того, что вы хотите пропустить.
Ответ Token Mantra: вы не должны настраивать / модифицировать / собирать / иным образом создавать html / xml, используя регулярные выражения. Р>
также могут быть условные выражения в угловых скобках, такие как \ 'и \ " что должно быть учтено. Вам гораздо лучше использовать подходящий DOM Parser, XML Parser или один из множества других испытанных и проверенных инструментов для этой работы, а не изобретать свой собственный. Р>
Мне все равно, какой из них вы используете, если он признан, проверен и вы его используете. Р>
my $foo = Someclass->parse( $xmlstring );
my @links = $foo->getChildrenByTagName("a");
my @srcs = map { $_->getAttribute("src") } @links;
# @srcs now contains an array of src attributes extracted from the page.
Просто чтобы согласиться со всеми остальными: не анализируйте HTML с помощью регулярных выражений.
Невозможно создать выражение, которое будет выбирать атрибуты даже для правильного фрагмента HTML, не говоря уже о всех возможных искаженных вариантах. Ваше регулярное выражение уже почти невозможно прочитать, даже не пытаясь справиться с недействительным отсутствием кавычек; Погрузитесь в ужас реального HTML-кода, и вы сойдете с ума от недопустимого множества ненадежных выражений.
Существуют библиотеки для чтения неработающего HTML или исправления его в действительный XHTML, который затем можно легко поглотить с помощью анализатора XML. Используйте их.
Вы не можете использовать одно и то же имя для нескольких снимков. Таким образом, вы не можете использовать квантификатор в выражениях с именованными перехватами.
Так что либо не используйте & # 8217; не используйте именованные захваты:
(?:(\b\w+\b)\s*=\s*("[^"]*"|'[^']*'|[^"'<>\s]+)\s+)+
Или не используйте & # 8217; не используйте квантификатор для этого выражения:
(?<name>\b\w+\b)\s*=\s*(?<value>"[^"]*"|'[^']*'|[^"'<>\s]+)
Это также допускает значения атрибутов, такие как bar=' baz='quux
:
foo="bar=' baz='quux"
Ну, недостатком будет то, что вам придется потом убирать начальные и конечные кавычки.
PHP (PCRE) и Python
Простое извлечение атрибутов ( Посмотрите, как это работает ):
((?:(?!\s|=).)*)\s*?=\s*?["']?((?:(?<=")(?:(?<=\\)"|[^"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!"|')(?:(?!\/>|>|\s).)+))
Или с проверкой открытия / закрытия тега, поиска имени тега и экранирования комментария. Это выражение предусматривает кавычки / кавычки, одинарные / двойные кавычки, экранированные кавычки внутри атрибутов, пробелы вокруг знаков равенства, различное количество атрибутов, проверка только на наличие атрибутов внутри тегов и управление различными кавычками в пределах значения атрибута. ( Посмотрите, как это работает ):
(?:\<\!\-\-(?:(?!\-\-\>)\r\n?|\n|.)*?-\-\>)|(?:<(\S+)\s+(?=.*>)|(?<=[=\s])\G)(?:((?:(?!\s|=).)*)\s*?=\s*?[\"']?((?:(?<=\")(?:(?<=\\)\"|[^\"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!\"|')(?:(?!\/>|>|\s).)+))[\"']?\s*)
(лучше работает с " gisx " flags.)
<Ч>Javascript
Поскольку Javascript
регулярные выражения не поддерживают предварительные просмотры, они не будут поддерживать большинство функций предыдущих предложенных выражений. Но в случае, если это может удовлетворить чьи-то потребности, вы можете попробовать эту версию. ( Посмотрите, как это работает ).
(\S+)=[\'"]?((?:(?!\/>|>|"|\'|\s).)+)
сплаттне,
Решение @VonC частично работает, но возникает некоторая проблема, если в теге есть сочетание без кавычек и в кавычках
Этот работает со смешанными атрибутами
$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"
чтобы проверить это
<?php
$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"
$code = ' <IMG title=09.jpg alt=09.jpg src="http://example.com.jpg?v=185579" border=0 mce_src="example.com.jpg?v=185579"
';
preg_match_all( "@$pat_attributes@isU", $code, $ms);
var_dump( $ms );
$code = '
<a href=test.html class=xyz>
<a href="test.html" class="xyz">
<a href=\'test.html\' class="xyz">
<img src="http://"/> ';
preg_match_all( "@$pat_attributes@isU", $code, $ms);
var_dump( $ms );
Тогда $ ms содержал бы ключи и значения для 2-го и 3-го элемента.
$keys = $ms[1];
$values = $ms[2];
Это мое лучшее регулярное выражение для извлечения свойств из HTML-тега:
# Обрезать совпадение внутри кавычек (одинарных или двойных)
(\S+)\s*=\s*([']|["])\s*([\W\w]*?)\s*\2
# Без отделки
(\S+)\s*=\s*([']|["])([\W\w]*?)\2
Плюсы:
- Вы можете обрезать содержимое внутри кавычек.
- Соберите все специальные символы ASCII внутри кавычек.
- Если у вас есть title="Ты мой", регулярное выражение не нарушается
Минусы:
- Он возвращает 3 группы;сначала свойство, затем кавычка ("|') и в конце свойство внутри кавычек, т.е.:
<div title="You're">
в результате получилась группа 1:название, Группа 2:", Группа 3:Ты.
Это пример регулярного выражения в режиме онлайн:https://regex101.com/r/aVz4uG/13
Обычно я использую это регулярное выражение для извлечения HTML-тегов:
Я рекомендую это, если вы не используете такой тип тега, как <div
, <span
, и т.д.
<[^/]+?(?:\".*?\"|'.*?'|.*?)*?>
Например:
<div title="a>b=c<d" data-type='a>b=c<d'>Hello</div>
<span style="color: >=<red">Nothing</span>
# Returns
# <div title="a>b=c<d" data-type='a>b=c<d'>
# <span style="color: >=<red">
Это пример регулярного выражения в режиме онлайн:https://regex101.com/r/aVz4uG/15
Ошибка в этом регулярном выражении заключается в следующем:
<div[^/]+?(?:\".*?\"|'.*?'|.*?)*?>
В этом теге:
<article title="a>b=c<d" data-type='a>b=c<div '>Hello</article>
ВОЗВРАТ <div '>
но он не должен возвращать никаких совпадений:
Match: <div '>
Чтобы "решить" эту проблему, удалите [^/]+?
узор:
<div(?:\".*?\"|'.*?'|.*?)*?>
Ответ #317081 это хорошо, но это не соответствует должным образом этим случаям:
<div id="a"> # It returns "a instead of a
<div style=""> # It doesn't match instead of return only an empty property
<div title = "c"> # It not recognize the space between the equal (=)
Это и есть улучшение:
(\S+)\s*=\s*["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))?[^"']*)["']?
против
(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?
Избегайте пробелов между равными сигналами:(\S+)\s*=\s*((?:...
Измените последнее + и .для:|[>"']))?[^"']*)["']?
Это пример регулярного выражения в режиме онлайн:https://regex101.com/r/aVz4uG/8
что-то вроде этого может быть полезным
'(\S+)\s*?=\s*([\'"])(.*?|)\2
Я предлагаю вам использовать HTML Tidy для преобразования HTML в XHTML, а затем использовать подходящий XPath выражение для извлечения атрибутов.
Если вы хотите быть общим, вам нужно взглянуть на точную спецификацию тега, например, здесь . Но даже с этим, если вы делаете свое идеальное регулярное выражение, что, если у вас неправильно сформированный HTML?
Я бы предложил использовать библиотеку для анализа html в зависимости от языка, с которым вы работаете: например, как красивый суп питона.
Если вы работаете в .NET, я рекомендую пакет гибкости HTML, очень надежный даже для искаженного HTML.
Тогда вы можете использовать XPath.
Я бы пересмотрел стратегию использования только одного регулярного выражения. Конечно, это хорошая игра, чтобы придумать единственное регулярное выражение, которое делает все это. Но с точки зрения поддержания работоспособности вы собираетесь выстрелить себе в обе ноги.
Теги и атрибуты в HTML имеют форму
<tag
attrnovalue
attrnoquote=bli
attrdoublequote="blah 'blah'"
attrsinglequote='bloob "bloob"' >
Чтобы сопоставить атрибуты, вам нужно регулярное выражение attr
, которое находит одну из четырех форм. Затем вам нужно убедиться, что в HTML-тегах указываются только совпадения. Предполагая, что у вас есть правильное регулярное выражение, общее регулярное выражение будет:
attr(?=(attr)*\s*/?\s*>)
Предварительный просмотр гарантирует, что только другие атрибуты и закрывающий тег следуют за атрибутом. Я использую следующее регулярное выражение для $1
:
\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?
Незначительные группы создаются без захвата. Первая подходящая группа $2
дает вам имя атрибута, значение - одно из $3
или $4
или $2$3$4
. Я использую <=>, чтобы извлечь значение.
Конечное регулярное выражение
\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?(?=(?:\s+\w+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[^><"'\s]+))?)*\s*/?\s*>)
Примечание. Я удалил все ненужные группы в окне просмотра и сделал все оставшиеся группы незаписанными.
Мне тоже это нужно и я написал функцию для анализа атрибутов, вы можете получить ее здесь:
https://gist.github.com/4153580
(Примечание: он не использует регулярные выражения)
Я создал функцию PHP , которая может извлекать атрибуты любых тегов HTML. Он также может обрабатывать такие атрибуты, как disabled
, которые не имеют значения, а также может определять, является ли тег автономным тегом (не имеет закрывающего тега) или нет (имеет закрывающий тег), проверяя результат content
: р>
/*! Based on <https://github.com/mecha-cms/cms/blob/master/system/kernel/converter.php> */
function extract_html_attributes($input) {
if( ! preg_match('#^(<)([a-z0-9\-._:]+)((\s)+(.*?))?((>)([\s\S]*?)((<)\/\2(>))|(\s)*\/?(>))$#im', $input, $matches)) return false;
$matches[5] = preg_replace('#(^|(\s)+)([a-z0-9\-]+)(=)(")(")#i', '$1$2$3$4$5<attr:value>$6', $matches[5]);
$results = array(
'element' => $matches[2],
'attributes' => null,
'content' => isset($matches[8]) && $matches[9] == '</' . $matches[2] . '>' ? $matches[8] : null
);
if(preg_match_all('#([a-z0-9\-]+)((=)(")(.*?)("))?(?:(\s)|$)#i', $matches[5], $attrs)) {
$results['attributes'] = array();
foreach($attrs[1] as $i => $attr) {
$results['attributes'][$attr] = isset($attrs[5][$i]) && ! empty($attrs[5][$i]) ? ($attrs[5][$i] != '<attr:value>' ? $attrs[5][$i] : "") : $attr;
}
}
return $results;
}
Тестовый код
$test = array(
'<div class="foo" id="bar" data-test="1000">',
'<div>',
'<div class="foo" id="bar" data-test="1000">test content</div>',
'<div>test content</div>',
'<div>test content</span>',
'<div>test content',
'<div></div>',
'<div class="foo" id="bar" data-test="1000"/>',
'<div class="foo" id="bar" data-test="1000" />',
'< div class="foo" id="bar" data-test="1000" />',
'<div class id data-test>',
'<id="foo" data-test="1000">',
'<id data-test>',
'<select name="foo" id="bar" empty-value-test="" selected disabled><option value="1">Option 1</option></select>'
);
foreach($test as $t) {
var_dump($t, extract_html_attributes($t));
echo '<hr>';
}
Это работает для меня. Также учитываются некоторые конечные случаи, с которыми я столкнулся.
Я использую это регулярное выражение для парсера XML
(?<=\s)[^><:\s]*=*(?=[>,\s])
Извлеките элемент:
var buttonMatcherRegExp=/<a[\s\S]*?>[\s\S]*?<\/a>/;
htmlStr=string.match( buttonMatcherRegExp )[0]
Затем используйте jQuery для анализа и извлечения нужного бита:
$(htmlStr).attr('style')
посмотрите на это Regex & amp; PHP - изолировать атрибут src от тега img
возможно, вы сможете пройти через DOM и получить нужные атрибуты. Он отлично работает для меня, получая атрибуты из тега body