首页 > 编程 > regex > 正文

Java/Js下使用正则表达式匹配嵌套Html标签

2020-01-20 22:18:08
字体:
来源:转载
供稿:网友
通用 HTML 标签区配正则

最近看网站日志,发现有人在博客上转了我不知道几年前写的一个匹配 HTML 标签的正则,刚好最近也在做一些相关的事情,顿时来了兴趣。就拿回来改改,成了下面这样,可能会有一些 case 遗漏,欢迎修改,已知在内嵌 <script> 复杂内容的处理能力较弱,不过对纯 HTML 来说已经够用,拿来做一些分析工具还是不错滴。
复制代码 代码如下:

<script type="text/javascript">
var str = "<br /><br/><br><br ><中文><div><div id=a>无忧脚本<img src=/"http://bbs.51js.com/images/default/logo.gif/" width=/"191/" height='75' border=0 onload=/"if(testver>0 && testver<500)alert('test');/" /n onerror='alert(/"test/")' /><img src=xxx alt=/"hello/njust a test!/"></div><hr ><script type=/"test/javascript/" defer>alert(/"just a test!/");<//script>Hello.<input type=text value=/"无忧脚本/"><br / ><img /"/" ></ ><!-- 注释 -->< ucren><!-- 再<注>释 --><img alt=' title='/"' /><b>123</b>1<2<3,3<4>1<b><img src=/"http://bbs.51js.com/images/old51js/logo.gif/" /><!-- 三注释>>> -->";
var reg = /<(?:(?://?[A-Za-z]/w*/b(?:[=/s](['"]?)[/s/S]*?/1)*)|(?:!--[/s/S]*?--))//?>/g;
alert(str.match(reg).join("/n----------------------------------------------------/n"));
</script>



[Ctrl+A 全选 注:如需引入外部Js需刷新才能执行]


有朋友留言说Java直接使用的话会报错。我后来查了一下,发现Java正则引擎支持的特性相对比较少。在1.6版本中不能使用命名组(貌似1.7的时候开始支持了),否则会报以下错误,更别说平衡组了。因此感觉要实现无限级的嵌套匹配不大现实。
复制代码 代码如下:

java.util.regex.PatternSyntaxException: Look-behind group does not have an obvious maximum length near index XX

在网上搜了好久也没找到完美的解决方案。不过,我们可以实现有限级Html嵌套标签匹配。思路相对于无限级来说就简单了好多,不需要那么多高级的特性。
示例:
复制代码 代码如下:

<div id='container'><BR> <div style='background-color:gray;' id='footer'><BR> <a id='gotop' href='#' onclick='MGJS.goTop();return false;'>Top</a><BR> <a id='powered' href='http://wordpress.org/'>WordPress</a><BR> <div id='copyright'><BR> Copyright © 2009 简单生活 ―― Kevin Yang的博客<BR> </div><BR> <div id='themeinfo'><BR> Theme by <a href='http://www.neoease.com/'>mg12</a>. Valid <a href='http://validator.w3.org/check?uri=referer'>XHTML 1.1</a><BR> and <a href='http://jigsaw.w3.org/css-validator/'>CSS 3</a>.<BR> </div><BR> </div><BR></div>

在上面这个示例中,我们打算匹配id为footer的这个嵌套div,而且假设我们预先知道footer这个div里面最多只会嵌套一级div。更多级的情况我们一会儿再讲。
footer的开始和结束标签匹配很简单:
复制代码 代码如下:

<div [^>]*id='footer'[^>]*>......(这里的省略号是一会要填写的)</div>


夹在开始和结束标签之间的内容无非有两种情况:
内容A: div标签,并且此div内无嵌套div
内容B: 任意其他内容
然后就是这两种内容的不断重复而已。正则表示如下:
复制代码 代码如下:

(<div[^>]*>.*?</div>|.)*?

注意最后面的问号必须要加上,否则由于正则的贪婪匹配特性,footer的闭合标签会匹配失误。
OK了,匹配最多嵌套一级div的正则表达式如下:
复制代码 代码如下:

<div [^>]*id='footer'[^>]*>(<div[^>]*>.*?</div>|.)*?</div>

那么如果footer标签里头最多会嵌套两级div的话怎么办呢?
其实也不难,我们只需要把上面的“内容A”部分中的点号稍作替换即可。修改如下:
复制代码 代码如下:

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>

到这里你可能就知道,如果要匹配最多嵌套三级div的话,正则应该怎么写了:
复制代码 代码如下:

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>|.)*?</div>

所以实际上,只要你的html结构不是特别复杂的话,也就是说嵌套不会很深的话,那么你完全可以使用这种方式来匹配嵌套html标签。
这个正则在Java和Javascript中都可以使用,因为它没有用到任何高级特性。
发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表