正则表达式选择锚标记而不是值

Question

我需要正则表达式来选择完整的锚标记，除了它的值。

我试过使用下面的正则表达但没有运气

(<a\s\b(href|title)\b.*\">)?|(<[\/]a>) for the below use cases

1.<a href=\"http://www.ags.ny.gov/\">www.ags.ny.gov</a>

2.<a title=\"ba.com/redeem\" href=\"http://ba.com/rertem\" target=\"_blank\" rel=\"nkiops noreferrer\">ba.com/rertem</a>.

3.<a href=\"http://www.dfs.ny.gov/\">www.ags.ay.gov</a>, for free information

我希望输出它应该只选择锚标签以title或href开头，但是它在最后选择锚标记虽然第一个条件不满足参考链接： https ： //regex101.com/r/VcAS6l/1

Answer 1

我将假设您确实希望在更大的文档中找到锚标记，并且您希望该过程准确且相对有效。

^{匹配包含（仅）特定类型的开始锚标记或结束锚标记的字符串是没有用的。 特别是因为在第一种情况下你没有检查它是否格式正确（请参阅关于'='和'"' ）或在正则表达式中提取锚点的URL。}

让我们分析你的正则表达式：

  (<a\s\b(href|title)\b.*\">)?|(<[\/]a>) 

也就是说匹配的可选组<a ...>标签或匹配的非可选的组<\\a>标记。 它将很乐意匹配可选组的任何实例; 即一无所获。 的? 可能是错位的。

现在看着这个

  <a\s\b(href|title)\b.*\">

说的是：

1. '<'
2. 'a'
3. 空间角色
4. 一个词边界
5. 由"href"或"title"组成的组
6. 一个词边界
7. 零个或多个字符
8. '"'
9. '>'

一个小问题是4.是多余的。

更大的问题是您没有明确匹配应该遵循href或title属性名称的'='和'"' 。

最大的问题在于7. '*'中的'.*'是一个贪婪的量词。 它试图尽可能地匹配。 所以在实践中它会一直匹配到文档中的最后一个'"'和'>' 。这是错误的。

要解决最大的问题，您需要使用不情愿的量词。 一个匹配尽可能少的字符的人。 例如：

    .*?"

将（最初）在它看到的第一个'"'处停止匹配。

---

教训：

1. 使用正则表达式来解析结构化文档是一个坏主意。 HTML特别困难，因为：

   • HTML文档的语法有很多法律上的可变性

   • 您将在野外找到的许多HTML文档格式不正确。

     相反，使用适当的解析器。 例如，Jsoup解析器是解析可能在语法上无效的HTML文档的好选择。 它将尝试（内部）纠正错误，而不是无法拒绝文档。

2. 如果你要“借用”其他人的正则表达式，你依靠他们正确的正则表达式的能力，以及你能否理解他们的正则表达式是否（真的）适用于你的问题。 （他们是否正确地做了？假设他们可能在您的用例中有效吗？）

3. 如果你想尝试写自己的正则表达式解析复杂的文件，你需要了解（Java）的正则表达式语言。 有一些讨厌的陷阱; 例如，热切的量化和灾难性的回溯。

4. 如果必须调试正则表达式，则需要将其视为任何其他代码调试问题：

   • 确保你理解（正则表达式）的语言
   • 仔细阅读您的代码（正则表达式）。
   • 向你的橡皮鸭解释你的代码（正则表达式）。 （不是开玩笑。）
   • 等等。

如果这听起来太难， 请不要使用正则表达式来解决复杂问题。

Answer 2

此表达式可能是一个查看的选项：

<a\s+(?:href|title)=[^>]*>([^<]*)<\/a>

演示

测试

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class re{

    public static void main(String[] args){

        final String regex = "<a\\s+(?:href|title)=[^>]*>([^<]*)<\\/a>";
        final String string = "<a href=\\\\\\\"http://www.dfs.ny.gov/\\\\\\\">www.dfs.ny.gov</a>, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>\";\n\n"
             + "<a title= \"some title\" href=\\\\\\\"http://www.dfs.ny.gov/\\\\\\\">www.dfs.ny.gov</a>, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>\";\n\n"
             + "<a nottitle= \"some title\" href=\\\\\\\"http://www.dfs.ny.gov/\\\\\\\">www.dfs.ny.gov</a>, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>\";\n\n\n"
             + "<a id=\\\"OLE_LINK2\\\" class=\\\"bookmark\\\" title=\\\"OLE_LINK2\\\" name=\\\"OLE_LINK2\\\"></a>\n\n";
        final String subst = "$1";

        final Pattern pattern = Pattern.compile(regex);
        final Matcher matcher = pattern.matcher(string);

        final String result = matcher.replaceAll(subst);

        System.out.println(result);


    }
}

产量

www.dfs.ny.gov, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>";

www.dfs.ny.gov, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>";

<a nottitle= "some title" href=\\\"http://www.dfs.ny.gov/\\\">www.dfs.ny.gov</a>, for free information on comparative credit card rates, fees and grace periods.&nbsp;</span>";


<a id=\"OLE_LINK2\" class=\"bookmark\" title=\"OLE_LINK2\" name=\"OLE_LINK2\"></a>

RegEx电路

jex.im可视化正则表达式：

---

如果您希望简化/修改/探索表达式，请在regex101.com的右上方面板中进行说明 。 如果您愿意，您还可以在此链接中查看它与某些示例输入的匹配情况。

---