正则表达式以匹配HTML中的属性？

Question

我有一个txt文件，它实际上是某些网页的html源。 在该txt文件中，有各种字符串，前面带有“ title =“标签。 例如

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

我有兴趣获取文本连接框架 ，并将其写入单独的文件中。

像这样，有很多这样的标签，每个标签在title =“我需要提取的某些文本”后都有不同的文本，我想从html源/ txt文件中提取文本的所有此类实例，并写入单独的txt文件。 文本只能包含小写字母，大写字母和数字。 每个文本字符串的长度（以字符为单位）会有所不同。

我正在Windows中使用PowerGrep。 Powergrep允许我搜索带有正则表达式inout的文本文件。 我尝试将搜索用作title ='[a-zA-Z0-9]

它显示正确的匹配项，但仅匹配字符串的第一个字符，并且仅写入与第二个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匹配并写入第二个文件。

使用powergrep，正确的正则表达式或执行我想做的事情的方法是什么？

-广告。

Answer 1

我只是不确定要问多少次HTML文件的正则表达式解析问题（并使用“使用DOM解析器”的正确解决方案来回答）。 它每天都会出现。

困难是：

• 在HTML中，属性可以有单引号，双引号或什至没有引号。
• 类似的字符串可以出现在HTML文档本身中。
• 您必须处理正确的转义； 和
• 格式不正确的HTML（正确的解析器对于常见错误极为健壮）。

因此，如果您满足所有这些要求（并且它变得非常复杂，但仍不完美的正则表达式），那么它仍然不是100％。

HTML解析器的存在是有原因的。 使用它们。

Answer 2

其他答案都对正则表达式进行了正确的更改，因此，我将解释您的原始问题是什么。

方括号表示字符类别 -表示正则表达式将匹配这些括号内的任何字符。 但是，与其他所有内容一样，默认情况下它只会匹配一次。 就像正则表达式“ s ”仅匹配“ ssss ”中的第一个字符一样，正则表达式“ [a-zA-Z0-9] ”将仅匹配“ 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。 最简单的方法是在其后添加一个星号（它将匹配0个或多个事件）。 因此，正则表达式“ [a-zA-Z0-9] *”将连续匹配多个字符，直到找到不属于该字符类的字符为止（在您的情况下为空格字符，因为您未包括该字符）在括号中）。

尽管正则表达式要准确地描述语法可能非常复杂-如果有人在属性中放置非字母数字字符（例如＆符）怎么办？ 您可以通过将字符集设置为“除引号字符之外的任何字符”来捕获引号之间的所有输入，因此“ '[^']*' ”通常可以做正确的事情。 通常，您也需要记住转义符（例如，使用字符串'Mary\\'s lamb'您实际上确实想捕获中间的撇号，因此简单的“除了撇号”的字符集不会删减它）幸运的是，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提取数据，那么它可能比滚动自己的库更快，更正确，因此，如果可能的话，我会倾向于这样做。

Answer 3

我对PowerGrep不熟悉，但是您的正则表达式不完整。 尝试这个：

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

或更好：

title='([^']*)'

Answer 4

我将使用此正则表达式来获取title属性值

<[a-z]+[^>]*\s+title\s*=\s*("[^"]*"|'[^']*'|[^\s >]*)

请注意，此正则表达式将属性值表达式与引号匹配。 因此，如果需要，您必须将其删除。

Answer 5

这是您需要的正则表达式

title='([a-zA-Z0-9]+)'

但是如果您打算做更多这样的事情，使用解析器可能会使它更加健壮和有用。

Answer 6

尝试以下方法：

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