.NET正則表達式：如何獲取由兩個標簽包圍的文本

Question

我正在使用ASP.NET，並且需要使用用戶鍵入的字符串進行管理以提取一些信息。 用戶輸入了正常的文本，單詞和數字，但有時他可能會在MATHML中鍵入數學表達式，這些表達式始終是標記包圍的xml字符串。 我想從鍵入的文本中提取每個數學段。 例如，讓我們考慮用戶鍵入以下文本：

string input = "My name is Dorry and here is a math expression: <math>---some math1---</math> ah, there is another expression: <math>---some math2---</math> and do not forget this too <math>---some math3---</math>.".

好吧，我想到的第一個正則表達式解決方案是這樣的：

string pattern1 = @"\<math(.+)\<\/math\>";

要獲得匹配，我顯然使用：

Regex r = new Regex(pattern1, RegexOptions.IgnoreCase);
string[] res = r.Matches(input);

它似乎工作正常，很糟糕，不是因為這個表達式，而是讓我得到一個由三個字符串（“ --- some math1 ---”，“ --- some math2-”組成的數組）（使用Reges.Matches） -“，” --- some math3 ---“）; 它為我提供了一個僅包含一個元素的數組：“ ---一些math1 ---啊，還有另一個表達式：--- some math2 ---也不要忘記這一點--- some math3 ---”。 你知道嗎？ 它需要第一個和最后一個，並在中間合並所有內容，而無需擔心其他任何元素或元素！

好吧，我想這是一個關於正則表達式的眾所周知的問題。 有解決方案嗎？ 如何告訴正則表達式引擎多一點...知道嗎？

提前非常感謝您。

Answer 1

1. 使用正則表達式匹配類似XML / HTML的標記通常是一個壞主意，而且容易出錯。 我不知道平衡組.NET正則表達式是否可以解決此問題，因此請注意。

2. 您的問題之前已經咬過許多其他問題-默認情況下，正則表達式是貪婪的。 .+可以匹配所有內容（包括</math> ），因此它可以匹配整個輸入。 然后，由於正則表達式不完全匹配，因此它將開始回溯，直到正則表達式的其余部分可以匹配為止。 因此</math>子模式僅與最后一個結束標記匹配。 要使正則表達式不貪心，請添加? 在+ （或* ）之后。

Answer 2

如果使用的是.NET BCL Regex類，則應該能夠使用平衡組來實現所需的功能：

http://blog.stevenlevithan.com/archives/balancing-groups

Answer 3

您可以使用<math> [\\ s \\ S] *？</ math>正則表達式。 與您提供的示例字符串一起使用時效果很好。 它給了我3次比賽，如下所示：

<math> ---一些math1 --- </ math>

<math> ---一些math2 --- </ math>

<math> ---一些math3 --- </ math>

希望這就是您想要的。

Answer 4

快去

string pattern1 = @"\<math[\s\S]*?<\/math\>";
Regex r = new Regex(pattern1, RegexOptions.IgnoreCase);
MatchCollection res = r.Matches(input);

缺口

Answer 5

這是您需要的正則表達式：

  <math>.*?</math>

它與每對數學標記匹配。

如果開始標記可能包含屬性，請改用此正則表達式：

  <math\b[^><]*>.*?</math>