正则表达式 - 我只想匹配正则表达式中的开始标记

Question

我正在制作一个正则表达式，其中我只想匹配错误的标签，例如： <p> *some text here, some other tags may be here as well but no ending 'p' tag* </p>

 <P>Affectionately Inscribed </P><P>TO </P><P>HENRY BULLAR, </P><P>(of the western circuit)<P>PREFACE</P>

在上面相同的文本中我想得到<P>(of the western circuit)<P>并且不应该捕获任何其他内容。 我正在使用它，但它不起作用：

<P>[^\(</P>\)]*<P>

请帮忙。

Answer 1

对于xml / html类型数据，正则表达式并不总是一个好的选择。 特别是，属性，区分大小写，注释等都会产生很大的影响。

对于xhtml，我将使用XmlDocument / XDocument和xpath查询。

对于“非x”html，我会看一下HTML Agility Pack和相同的内容。

Answer 2

匹配组之一：

(?:<p>(?:(?!<\/?p>).?)+)(<p>)

匹配第二个<p> ：

<P>(of the western circuit)<P>PREFACE</P>

注意：我通常会说：“不要用正则表达式做HTML，而是使用解析器”。 但我不认为解决方案可以解决具体问题，解析器可能只是忽略/透明地处理无效标记。

Answer 3

我知道在这种情况下发生这种情况不太可能（甚至是html合法的？），但是通用的未封闭的xml-tag解决方案会非常困难，因为您需要考虑嵌套标签会发生什么

<p>OUTER BEFORE<p>INNER</p>OUTER AFTER</p>

我很确定到目前为止给出的正则表达式会匹配第二个<p> ，即使它实际上不是一个未闭合的<p> 。

Answer 4

而不是使用*进行最大匹配，使用*? 最小化。

应该可以开始了

<P>((?!</P>).)*?<P>

这使用负前瞻断言来确保在“ <P> ”匹配之间的每个点处不匹配结束标记。

编辑：更正断言（感谢评论者）。

Answer 5

到目前为止提供的所有解决方案都匹配第二个<P>，但这是错误的。 如果有两个连续的<P>元素没有关闭标签怎么办？ 第二个匹配将不匹配，因为第一个匹配吃了它的开始标记。 你可以像我在这里一样使用前瞻来避免这个问题：

@"<p\b(?>(?:[^<]+|<(?!/?p>))*)(?=<p\b|$)"

至于其余部分，我使用了“非初始或非其余”技术以及原子组来尽可能有效地引导正则表达式匹配（更重要的是，如果它是尽可能快地失败）即将）。