Regex pilih semua teks di antara tag


143

Apa cara terbaik untuk memilih semua teks antara 2 tag - mis: teks antara semua tag 'pra' pada halaman.


2
Cara terbaik adalah dengan menggunakan html-parser seperti "Beautiful Soup" jika Anda menggunakan python ...
Fredrik Pihl

1
Cara terbaik adalah dengan menggunakan parser XML / HTML.
Daniel O'Hara

4
Secara umum, menggunakan ekspresi reguler untuk mem-parsing html bukan ide yang baik: stackoverflow.com/questions/1732348/…
murgatroid99

Jangan parsing teks antara tag dengan regex karena tag bersarang secara sewenang-wenang menjadikan HTML tidak biasa. Tag yang cocok tampaknya baik-baik saja. /<div>.*?<\/div>/.exec("<div><div></div></div>")
jdh8

Jawaban:


157

Anda dapat menggunakan "<pre>(.*?)</pre>", (mengganti pra dengan teks apa pun yang Anda inginkan) dan mengekstrak grup pertama (untuk instruksi yang lebih spesifik menentukan bahasa) tetapi ini mengasumsikan gagasan sederhana bahwa Anda memiliki HTML yang sangat sederhana dan valid.

Seperti yang disarankan komentator lain, jika Anda melakukan sesuatu yang kompleks, gunakan parser HTML.


41
Ini tidak memilih teks di antara tag, itu termasuk tag.
capikaw

3
Anda harus mengambil pilihan menggunakan ()
Sahu V Kumar

2
Untuk tag multi-baris: <html_tag> (. +) ((\ S) + (. +)) + <\ / Html_tag>
Felipe Augusto

Ini masih memiliki visibilitas jadi: Jika Anda masih melihat <pre>tag setelah mencoba <pre>(.*?)<\/pre>, itu karena Anda melihat apa yang ditangkap oleh pertandingan Penuh alih-alih kelompok tangkapan (. *?). Kedengarannya murahan tapi saya selalu berpikir "kurung = sepasang pencuri" karena kecuali (diikuti oleh ?seperti dalam (?:atau (?>, setiap pertandingan akan memiliki dua tangkapan: 1 untuk pertandingan penuh & 1 untuk kelompok tangkapan. Setiap set kurung tambahan menambahkan tangkapan tambahan. Anda hanya harus tahu cara mengambil kedua tangkapan dalam bahasa apa pun yang Anda gunakan.
rbsdca

137

Tag dapat diselesaikan di baris lain. Inilah sebabnya mengapa \nperlu ditambahkan.

<PRE>(.|\n)*?<\/PRE>

5
Poin penting tentang menambahkan (.|\n)*?ketika berurusan dengan tag HTML di beberapa baris. Jawaban yang dipilih hanya berfungsi jika tag HTML berada di baris yang sama.
Caleuanhopkins

3
<PRE> (. | \ N | \ r \ n) *? <\ / PRE> untuk akhiran jalur Windows
Tandai

3
Jangan pernah gunakan (.|\n)*?untuk mencocokkan arang. Selalu gunakan .dengan spengubah (singleline). Atau [\s\S]*?solusinya.
Wiktor Stribiżew

Saya ingin memilih komentar kode di notepad ++, jadi dengan menggunakan jawaban ini saya datang dengan /\*(.|\n)*?\*/yang melakukan pekerjaan - terima kasih
wkille

jawaban sempurna terima kasih banyak
Omda

25

Inilah yang akan saya gunakan.

(?<=(<pre>))(\w|\d|\n|[().,\-:;@#$%^&*\[\]"'+–/\/®°⁰!?{}|`~]| )+?(?=(</pre>))

Pada dasarnya yang dilakukannya adalah:

(?<=(<pre>))Pilihan harus diawali dengan <pre>tag

(\w|\d|\n|[().,\-:;@#$%^&*\[\]"'+–/\/®°⁰!?{}|~]| )Ini hanya ungkapan reguler yang ingin saya terapkan. Dalam hal ini, ia memilih huruf atau digit atau karakter baris baru atau beberapa karakter khusus yang tercantum dalam contoh dalam tanda kurung. Karakter pipa |hanya berarti " ATAU ".

+?Status karakter Plus untuk memilih satu atau lebih di atas - urutan tidak masalah. Tanda tanya mengubah perilaku default dari 'serakah' menjadi 'ungreedy'.

(?=(</pre>))Seleksi harus ditambahkan oleh </pre>tag

masukkan deskripsi gambar di sini

Tergantung pada kasus penggunaan Anda, Anda mungkin perlu menambahkan beberapa pengubah seperti ( i atau m )

  • i - case-insensitive
  • m - pencarian multi-line

Di sini saya melakukan pencarian ini di Sublime Text jadi saya tidak perlu menggunakan pengubah di regex saya.

Javascript tidak mendukung tampilan di belakang

Contoh di atas seharusnya bekerja dengan baik dengan bahasa seperti PHP, Perl, Java ... Javascript, bagaimanapun, tidak mendukung tampilan di belakang sehingga kita harus melupakan tentang menggunakan (?<=(<pre>))dan mencari beberapa jenis solusi. Mungkin lepaskan empat karakter pertama dari hasil kami untuk setiap pilihan seperti di sini Regex mencocokkan teks di antara tag

Lihat juga JAVASCRIPT REGEX DOCUMENTATION untuk tanda kurung yang tidak diambil


Perhatikan bahwa Anda harus keluar dari karakter kutipan tunggal / ganda dengan `untuk menempatkan regexp dalam sebuah string.
David Zwart

18

gunakan pola di bawah ini untuk mendapatkan konten di antara elemen. Ganti [tag]dengan elemen aktual yang ingin Anda ekstrak kontennya.

<[tag]>(.+?)</[tag]>

Kadang tag akan memiliki atribut, seperti anchortag yang dimiliki href, lalu gunakan pola di bawah ini.

 <[tag][^>]*>(.+?)</[tag]>

Coba contoh pertama sebagai '<head> (. +?) </head>' dan berfungsi seperti yang diharapkan. Tetapi saya tidak memiliki hasil dengan yang kedua.
Alex Byrth

1
ini tidak berhasil. <[tag]>akan cocok <t>, <a>dan<g>
Martin Schneider

2
@ MA-Maddin - Saya pikir Anda melewatkan Replace [tag] with the actual element you wish to extract the content frombagian itu.
LWC

2
Oh, ya. Ini []seharusnya dihilangkan sama sekali. Itu akan lebih jelas, karena maknanya dalam RegEx dan fakta, bahwa orang memindai kode terlebih dahulu dan membaca teks setelah;)
Martin Schneider

14

Untuk mengecualikan tag pembatas:

(?<=<pre>)(.*?)(?=</pre>)

(?<=<pre>) mencari teks setelahnya <pre>

(?=</pre>) mencari teks sebelumnya </pre>

Hasil akan teks di dalam pretag


Orang-orang menggunakan tampilan ini pada jawaban @krishna thakor yang juga dapat mempertimbangkan apakah konten memiliki baris baru di antara tag
KingKongCoder

Ini membantu dalam kasus saya (tidak perlu mempertimbangkan baris baru). Terima kasih.
Pking

6

Anda seharusnya tidak mencoba menguraikan html dengan regex melihat pertanyaan ini dan bagaimana hasilnya.

Dalam istilah yang paling sederhana, html bukan bahasa biasa sehingga Anda tidak dapat sepenuhnya menguraikannya dengan ekspresi reguler.

Setelah mengatakan bahwa Anda dapat mengurai himpunan bagian html ketika tidak ada tag yang sama bersarang. Jadi, selama ada apa pun di antara dan bukan tag itu sendiri, ini akan berfungsi:

preg_match("/<([\w]+)[^>]*>(.*?)<\/\1>/", $subject, $matches);
$matches = array ( [0] => full matched string [1] => tag name [2] => tag content )

Ide yang lebih baik adalah menggunakan parser, seperti DOMDocument asli, untuk memuat html Anda, lalu pilih tag Anda dan dapatkan html dalam yang mungkin terlihat seperti ini:

$obj = new DOMDocument();
$obj -> load($html);
$obj -> getElementByTagName('el');
$value = $obj -> nodeValue();

Dan karena ini adalah parser yang tepat, ia akan dapat menangani tag bersarang dll.


2
Hanya ingin mengatakan saya sedikit terganggu bahwa ini masih mengumpulkan downvotes sementara itu adalah satu-satunya jawaban yang memasok solusi yang tepat di sebelah regex dan saya juga menambahkan banyak peringatan bahwa itu mungkin bukan cara yang benar ... Setidaknya mengomentari apa yang salah tentang jawaban saya.
sg3

1
Pertanyaan tidak ditandai php. Tidak yakin bagaimana PHP muncul dalam gambar ...
trincot

@trincot Ini lebih dari 7 tahun yang lalu, jadi saya tidak ingat. Bagaimanapun, ini adalah contoh pemecahan masalah dengan regex dan parser. Regexnya bagus dan php adalah apa yang saya ketahui dengan baik pada saat itu.
sg3

Saya mengerti, saya melihat komentar pertama Anda dan berpikir bahwa ini bisa menjelaskan beberapa downvotes.
trincot

4

Coba ini....

(?<=\<any_tag\>)(\s*.*\s*)(?=\<\/any_tag\>)

3
Perhatikan bahwa tampilan belakang tidak didukung dalam JavaScript.
allicarn

Ooo tentu saja, tetapi regex ini untuk Jawa. terima kasih atas catatan anda.
Heriberto Rivera

4

Ini sepertinya ungkapan reguler paling sederhana dari semua yang saya temukan

(?:<TAG>)([\s\S]*)(?:<\/TAG>)
  1. Kecualikan tag pembuka (?:<TAG>)dari pertandingan
  2. Sertakan karakter spasi putih atau non-spasi putih ([\s\S]*)dalam pertandingan
  3. Kecualikan tag penutup (?:<\/TAG>)dari pertandingan

3

Jawaban ini mengandaikan dukungan untuk melihat-lihat! Ini memungkinkan saya untuk mengidentifikasi semua teks antara pasang tag pembuka dan penutup. Itu semua teks antara '>' dan '<'. Ini bekerja karena melihat-lihat tidak mengkonsumsi karakter yang cocok.

(? <=>) ([\ w \ s] +) (? = </)

Saya mengujinya di https://regex101.com/ menggunakan fragmen HTML ini.

<table>
<tr><td>Cell 1</td><td>Cell 2</td><td>Cell 3</td></tr>
<tr><td>Cell 4</td><td>Cell 5</td><td>Cell 6</td></tr>
</table>

Ini adalah permainan tiga bagian: tampilan belakang, konten, dan tampilan depan.

(?<=>)    # look behind (but don't consume/capture) for a '>'
([\w\s]+) # capture/consume any combination of alpha/numeric/whitespace
(?=<\/)   # look ahead  (but don't consume/capture) for a '</'

tangkapan layar dari regex101.com

Saya berharap itu berfungsi sebagai awal untuk 10. Keberuntungan.


Terima kasih. Tidak hanya ini jawaban yang lebih baik, tetapi juga tautan yang bagus ke situs regex101. Terpilih! 🙂
Sean Feldman

2

var str = "Lorem ipsum <pre>text 1</pre> Lorem ipsum <pre>text 2</pre>";
    str.replace(/<pre>(.*?)<\/pre>/g, function(match, g1) { console.log(g1); });

Karena jawaban yang diterima tanpa kode javascript, maka tambahkan bahwa:


1

preg_match_all(/<pre>([^>]*?)<\/pre>/,$content,$matches)regex ini akan memilih semua tag antara. tidak masalah apakah itu di baris baru (bekerja dengan multiline.


1

Dalam Python, pengaturan DOTALLbendera akan menangkap semuanya, termasuk baris baru.

Jika bendera DOTALL telah ditentukan, ini cocok dengan karakter apa pun termasuk baris baru. docs.python.org

#example.py using Python 3.7.4  
import re

str="""Everything is awesome! <pre>Hello,
World!
    </pre>
"""

# Normally (.*) will not capture newlines, but here re.DOTATLL is set 
pattern = re.compile(r"<pre>(.*)</pre>",re.DOTALL)
matches = pattern.search(str)

print(matches.group(1))

python example.py

Hello,
World!

Menangkap teks antara semua tag pembuka dan penutup dalam dokumen

Untuk menangkap teks antara semua tag pembuka dan penutup dalam dokumen, finditerberguna. Dalam contoh di bawah ini, tiga <pre>tag pembuka dan penutup hadir dalam string.

#example2.py using Python 3.7.4
import re

# str contains three <pre>...</pre> tags
str = """In two different ex-
periments, the authors had subjects chat and solve the <pre>Desert Survival Problem</pre> with a
humorous or non-humorous computer. In both experiments the computer made pre-
programmed comments, but in study 1 subjects were led to believe they were interact-
ing with another person. In the <pre>humor conditions</pre> subjects received a number of funny
comments, for instance: “The mirror is probably too small to be used as a signaling
device to alert rescue teams to your location. Rank it lower. (On the other hand, it
offers <pre>endless opportunity for self-reflection</pre>)”."""

# Normally (.*) will not capture newlines, but here re.DOTATLL is set
# The question mark in (.*?) indicates non greedy matching.
pattern = re.compile(r"<pre>(.*?)</pre>",re.DOTALL)

matches = pattern.finditer(str)


for i,match in enumerate(matches):
    print(f"tag {i}: ",match.group(1))

python example2.py

tag 0:  Desert Survival Problem
tag 1:  humor conditions
tag 2:  endless opportunity for self-reflection

0

Untuk beberapa baris:

<htmltag>(.+)((\s)+(.+))+</htmltag>


0

Saya menggunakan solusi ini:

preg_match_all( '/<((?!<)(.|\n))*?\>/si',  $content, $new);
var_dump($new);

-1

Dalam Javascript (antara lain), ini sederhana. Ini mencakup atribut dan beberapa baris:

/<pre[^>]*>([\s\S]*?)<\/pre>/

-4
<pre>([\r\n\s]*(?!<\w+.*[\/]*>).*[\r\n\s]*|\s*[\r\n\s]*)<code\s+(?:class="(\w+|\w+\s*.+)")>(((?!<\/code>)[\s\S])*)<\/code>[\r\n\s]*((?!<\w+.*[\/]*>).*|\s*)[\r\n\s]*<\/pre>

6
Harap perkenalkan / jelaskan jawaban Anda menggunakan kata-kata.
Andrew Regan
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.