KK的技术人生

技术改变世界
Java/Js如何使用正则表达式匹配嵌套Html标签

以前写过一篇文章讲解如何使用正则表达式完美解决Html嵌套标签的匹配问题(使用正则表达式匹配嵌套Html标签),但是里头用到了平衡组这样的高级特性,貌似只有DotNet还有Perl正则引擎支持,因此通用性不高。有朋友留言说Java直接使用的话会报错。我后来查了一下,发现Java正则引擎支持的特性相对比较少。在1.6版本中不能使用命名组(貌似1.7的时候开始支持了),否则会报以下错误,更别说平衡组了。因此感觉要实现无限级的嵌套匹配不大现实。

java.util.regex.PatternSyntaxException: Look-behind group does not have an obvious maximum length near index XX

在网上搜了好久也没找到完美的解决方案。不过,我们可以实现有限级Html嵌套标签匹配。思路相对于无限级来说就简单了好多,不需要那么多高级的特性。

示例:

<div id='container'>
<div style='background-color:gray;' id='footer'>
<a id='gotop' href='#' onclick='MGJS.goTop();return false;'>Top</a>
<a id='powered' href='http://wordpress.org/'>WordPress</a>
<div id='copyright'>
Copyright &copy; 2009 简单生活 —— Kevin Yang的博客
</div>
<div id='themeinfo'>
Theme by <a href='http://www.neoease.com/'>mg12</a>. Valid <a href='http://validator.w3.org/check?uri=referer'>XHTML 1.1</a>
and <a href='http://jigsaw.w3.org/css-validator/'>CSS 3</a>.
</div>
</div>
</div>

在上面这个示例中,我们打算匹配id为footer的这个嵌套div,而且假设我们预先知道footer这个div里面最多只会嵌套一级div。更多级的情况我们一会儿再讲。

footer的开始和结束标签匹配很简单:

<div [^>]*id='footer'[^>]*>......(这里的省略号是一会要填写的)</div>

夹在开始和结束标签之间的内容无非有两种情况:

  • 内容A: div标签,并且此div内无嵌套div
  • 内容B: 任意其他内容

然后就是这两种内容的不断重复而已。正则表示如下:

(<div[^>]*>.*?</div>|.)*?

注意最后面的问号必须要加上,否则由于正则的贪婪匹配特性,footer的闭合标签会匹配失误。

OK了,匹配最多嵌套一级div的正则表达式如下:

<div [^>]*id='footer'[^>]*>(<div[^>]*>.*?</div>|.)*?</div>

那么如果footer标签里头最多会嵌套两级div的话怎么办呢?

其实也不难,我们只需要把上面的“内容A”部分中的点号稍作替换即可。修改如下:

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>

到这里你可能就知道,如果要匹配最多嵌套三级div的话,正则应该怎么写了:

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>|.)*?</div>

所以实际上,只要你的html结构不是特别复杂的话,也就是说嵌套不会很深的话,那么你完全可以使用这种方式来匹配嵌套html标签。

这个正则在Java和Javascript中都可以使用,因为它没有用到任何高级特性。

——Kevin Yang

posted on 2010-07-30 01:41  KK2038  阅读(5182)  评论(3编辑  收藏  举报