正則表達式以匹配HTML中的屬性？

Question

我有一個txt文件，它實際上是某些網頁的html源。 在該txt文件中，有各種字符串，前面帶有“ title =“標簽。 例如

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

我有興趣獲取文本連接框架 ，並將其寫入單獨的文件中。

像這樣，有很多這樣的標簽，每個標簽在title =“我需要提取的某些文本”后都有不同的文本，我想從html源/ txt文件中提取文本的所有此類實例，並寫入單獨的txt文件。 文本只能包含小寫字母，大寫字母和數字。 每個文本字符串的長度（以字符為單位）會有所不同。

我正在Windows中使用PowerGrep。 Powergrep允許我搜索帶有正則表達式inout的文本文件。 我嘗試將搜索用作title ='[a-zA-Z0-9]

它顯示正確的匹配項，但僅匹配字符串的第一個字符，並且僅寫入與第二個txt文件匹配的文本字符串的第一個字符，而不是所有字符串。

我希望所有字符串都匹配並寫入第二個文件。

使用powergrep，正確的正則表達式或執行我想做的事情的方法是什么？

-廣告。

Answer 1

我只是不確定要問多少次HTML文件的正則表達式解析問題（並使用“使用DOM解析器”的正確解決方案來回答）。 它每天都會出現。

困難是：

• 在HTML中，屬性可以有單引號，雙引號或什至沒有引號。
• 類似的字符串可以出現在HTML文檔本身中。
• 您必須處理正確的轉義； 和
• 格式不正確的HTML（正確的解析器對於常見錯誤極為健壯）。

因此，如果您滿足所有這些要求（並且它變得非常復雜，但仍不完美的正則表達式），那么它仍然不是100％。

HTML解析器的存在是有原因的。 使用它們。

Answer 2

其他答案都對正則表達式進行了正確的更改，因此，我將解釋您的原始問題是什么。

方括號表示字符類別 -表示正則表達式將匹配這些括號內的任何字符。 但是，與其他所有內容一樣，默認情況下它只會匹配一次。 就像正則表達式“ s ”僅匹配“ ssss ”中的第一個字符一樣，正則表達式“ [a-zA-Z0-9] ”將僅匹配“ Connectivity Framework ”中的第一個字符。

通過添加重復 ，可以使該字符類重復匹配。 最簡單的方法是在其后添加一個星號（它將匹配0個或多個事件）。 因此，正則表達式“ [a-zA-Z0-9] *”將連續匹配多個字符，直到找到不屬於該字符類的字符為止（在您的情況下為空格字符，因為您未包括該字符）在括號中）。

盡管正則表達式要准確地描述語法可能非常復雜-如果有人在屬性中放置非字母數字字符（例如＆符）怎么辦？ 您可以通過將字符集設置為“除引號字符之外的任何字符”來捕獲引號之間的所有輸入，因此“ '[^']*' ”通常可以做正確的事情。 通常，您也需要記住轉義符（例如，使用字符串'Mary\\'s lamb'您實際上確實想捕獲中間的撇號，因此簡單的“除了撇號”的字符集不會刪減它）幸運的是，根據規范，這不是XML / HTML的問題。

盡管如此，如果有一個現有的庫可以為您提取數據，那么它可能比滾動自己的庫更快，更正確，因此，如果可能的話，我會傾向於這樣做。

Answer 3

我對PowerGrep不熟悉，但是您的正則表達式不完整。 嘗試這個：

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

或更好：

title='([^']*)'

Answer 4

我將使用此正則表達式來獲取title屬性值

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

請注意，此正則表達式將屬性值表達式與引號匹配。 因此，如果需要，您必須將其刪除。

Answer 5

這是您需要的正則表達式

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

但是如果您打算做更多這樣的事情，使用解析器可能會使它更加健壯和有用。

Answer 6

嘗試以下方法：

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