Question

正则匹配html开始标签和结束标签

<div>我是标题</div>这是里我要提取的html<div class="fsfsdfsdfsdfdsfsdfd">
<div><h2>我是标题</h2></div>这是里我要提取的html<div class="fsfsdfsdfsdfdsfsdfd">
<div><b><h2>我是标题</h2></b></div>这是里我要提取的html<div class="fsfsdfsdfsdfdsfsdfd">
我是标题周围可能存在很多种html的组合，这里随便列了几个
我的正则是这样写的
[\\<[a-z\\d]*\\>]*我是标题[\\</[a-z\\d]*\\>]*(?<x>.*?)<div class="fsfsdfsdfsdfdsfsdfd">
但是[\\<[a-z\\d]*\\>]*只能匹配多个<div><div><div> 这样一样的<div><b><h2>就匹配不到
还有结束标签的匹配也是，我不知道哪里写错了，求高手指点

Answer 1

    Html标签是支持嵌套的，怎么能够找到指定标签相对应的闭合标签是最重要的问题。

思路：先匹配最前面的起始标签，假设是div（<div），接着一旦遇到嵌套div，就“压入堆栈”，后面如果遇到div闭合标签了，就“弹出堆栈”。如果遇到闭合标签的时候，堆栈里面已经没有东西了，那么匹配结束，此结束标签为正确的闭合标签。

1、匹配任意闭合HTML标签的正则表达式

<(?<HtmlTag>[\w]+)[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>

2、如果只想匹配div标签，可以使用下面的正则表达式：

<(?<HtmlTag>div)[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>

3、如果想同时匹配多个HTML标签，可以使用下面的正则表达式

<(?<HtmlTag>(div|span|h1))[^>]*?>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>

4、如果想匹配包含ID的标签，可以使用下面的正则表达式：

<(?<HtmlTag>[\w]+)[^>]*\s[iI][dD]=(?<Quote>["']?)footer(?(Quote)\k<Quote>)[^>]*?(/>|>((?<Nested><\k<HtmlTag>[^>]*>)|</\k<HtmlTag>>(?<-Nested>)|.*?)*</\k<HtmlTag>>)

Answer 2

你的问题实在是没阐述明白，你是不是要取得“这是里我要提取的html”，试试下面的表达式
/(?:<(?:[a-z]*\d)>)*我是标题(?:<\/(?:[a-z]*\d)>)*(.*)<div class="fsfsdfsdfsdfdsfsdfd">/

Answer 3

***************************************************************************后面的，就和前面的一个道理
你的问题错的地方多着呢！！
[\\<[a-z\\d]*\\>]*我是标题,第一个[,不应该用[后直接用\，\就是转义符了，开始没特殊符号转义符\不能用。后面<[a-z\\d]*\\>，尖括号中的[a-z\\d],这里\\d不能用，要表示\，就最后放个\，\d，也不要用在方括号里，语法错误\d本来代表一位数字[0-9]。外面的*，用得不明确，意思说可以不匹配<div>了哟。还好你是贪婪模式，还能匹配个<div>
***************************************************************************后面的，就和前面的一个道理

就这么几句就能提取：
一、正则表达式：

<div>.*?</div>(.*?)<div

提取表达式 \1 或者 $1
提取【这是里我要提取的】用\n或者$n支持什么就用什么

二、正则表达式：

<div><h2>.*?</h2></div>(.*?)<div

提取表达式 \1 或者 $1

三、正则表达式：

<div><b><h2>.*?</h2></b></div>(.*?)<div

提取表达式 \1 或者 $1

Answer 4

***************************************************************************后面的，就和前面的一个道理
你的问题错的地方多着呢！！
[\\<[a-z\\d]*\\>]*我是标题,第一个[,不应该用[后直接用\，\就是转义符了，开始没特殊符号转义符\不能用。后面<[a-z\\d]*\\>，尖括号中的[a-z\\d],这里\\d不能用，要表示\，就最后放个\，\d，也不要用在方括号里，语法错误\d本来代表一位数字[0-9]。外面的*，用得不明确，意思说可以不匹配<div>了哟。还好你是贪婪模式，还能匹配个<div>
***************************************************************************后面的，就和前面的一个道理

就这么几句就能提取：
一、正则表达式：

<div>.*?</div>(.*?)<div

提取表达式 \1 或者 $1
提取【这是里我要提取的】用\n或者$n支持什么就用什么

二、正则表达式：

<div><h2>.*?</h2></div>(.*?)<div

提取表达式 \1 或者 $1

三、正则表达式：

<div><b><h2>.*?</h2></b></div>(.*?)<div

提取表达式 \1 或者 $1