Регулярное выражение для извлечения атрибутов тега

Я предлагаю вам использовать HTML Tidy для преобразования HTML в XHTML, а затем использовать подходящее выражение XPath для извлечения атрибутов.

Если вы хотите быть общим, вы должны посмотреть на точную спецификацию тега a, например здесь. Но даже с этим, если вы сделаете свое идеальное регулярное выражение, что, если у вас есть искаженный html?

Я бы посоветовал обратиться к библиотеке для анализа html, в зависимости от языка, с которым вы работаете: например. например, Beautiful Soup из Python.

Ответ Token Mantra: вы не должны настраивать / изменять / собирать / или иным образом создавать html / xml с использованием регулярного выражения.

также могут быть условные выражения в крайнем регистре, такие как \ 'и \ ", которые необходимо учитывать. Вместо этого вам будет лучше использовать правильный DOM Parser, XML Parser или один из многих других десятков проверенных и проверенных инструментов. изобретать свои собственные.

Мне все равно, какой из них вы используете, если он признан, протестирован и вы его используете.

my $foo  = Someclass->parse( $xmlstring ); 
my @links = $foo->getChildrenByTagName("a"); 
my @srcs = map { $_->getAttribute("src") } @links; 
# @srcs now contains an array of src attributes extracted from the page. 

Если вы работаете в .NET, я рекомендую пакет гибкости HTML, очень надежный даже с искаженным HTML.

Затем вы можете использовать XPath.

Обновление (2020), Гюм Фокс предлагает https://regex101.com/r/U9Yqqg/2 (обратите внимание, что regex101.com не существовал, когда я изначально написал этот ответ)

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|\s*/?[>"']))+.)["']?

Применительно к:

<a href=test.html class=xyz>
<a href = "test.html" class = "xyz">
<a href='test.html' class = "xyz">
<script type = "text/javascript" defer async id = "something" onload = "alert('hello');"></script>
<img src = "test.png">
<img src = "a test.png">
<img src=test.png />
<img src=a test.png />
<img src=test.png >
<img src=a test.png >
<img src=test.png alt=crap >
<img src=a test.png alt=crap >

Оригинальный ответ (2008 г.): Если у вас есть такой элемент, как

<name attribute=value attribute = "value" attribute='value'>

это регулярное выражение можно использовать для последовательного поиска каждого имени и значения атрибута

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?

Применяется на:

<a href=test.html class=xyz>
<a href = "test.html" class = "xyz">
<a href='test.html' class = "xyz">

это даст:

'href' => 'test.html'
'class' => 'xyz'

Note: This does not work with numeric attribute values e.g. <div id = "1"> won't work.

Edited: Improved regex for getting attributes with no value and values with " ' " inside.

([^\r\n\t\f\v= '"]+)(?:=(["'])?((?:.(?!\2?\s+(?:\S+)=|\2))+.)\2?)?

Применяется на:

<script type = "text/javascript" defer async id = "something" onload = "alert('hello');"></script>

это даст:

'type' => 'text/javascript'
'defer' => ''
'async' => ''
'id' => 'something'
'onload' => 'alert(\'hello\');'

Я бы пересмотрел стратегию использования только одного регулярного выражения. Конечно, неплохо было бы придумать одно-единственное регулярное выражение, которое все это делает. Но с точки зрения ремонтопригодности вы собираетесь выстрелить себе в обе ноги.

Просто чтобы согласиться со всеми: не анализируйте HTML с помощью регулярного выражения.

Невозможно создать выражение, которое выбирает атрибуты даже для правильного фрагмента HTML, не говоря уже о всех возможных искаженных вариантах. Ваше регулярное выражение уже практически нечитаемо, даже если не пытаться справиться с недопустимым отсутствием кавычек; Погоняйтесь дальше в ужас реального HTML, и вы сведете себя с ума от неподъемного куска ненадежных выражений.

Существуют библиотеки для чтения испорченного HTML или исправления его в действительный XHTML, который затем можно легко проглотить с помощью анализатора XML. Используй их.

Хотя совет не анализировать HTML с помощью регулярного выражения действителен, вот выражение, которое делает в значительной степени то, что вы просили:

/
   \G                     # start where the last match left off
   (?>                    # begin non-backtracking expression
       .*?                # *anything* until...
       <[Aa]\b            # an anchor tag
    )??                   # but look ahead to see that the rest of the expression
                          #    does not match.
    \s+                   # at least one space
    ( \p{Alpha}           # Our first capture, starting with one alpha
      \p{Alnum}*          # followed by any number of alphanumeric characters
    )                     # end capture #1
    (?: \s* = \s*         # a group starting with a '=', possibly surrounded by spaces.
        (?: (['"])        # capture a single quote character
            (.*?)         # anything else
             \2           # which ever quote character we captured before
        |   ( [^>\s'"]+ ) # any number of non-( '>', space, quote ) chars
        )                 # end group
     )?                   # attribute value was optional
/msx;

«Но подождите», - скажете вы. "А как насчет * комментариев?!?!" Хорошо, тогда вы можете заменить . в разделе без возврата на: (Он также обрабатывает разделы CDATA.)

(?:[^<]|<[^!]|<![^-\[]|<!\[(?!CDATA)|<!\[CDATA\[.*?\]\]>|<!--(?:[^-]|-[^-])*-->)

• Кроме того, если вы хотите выполнить подстановку в Perl 5.10 (и я думаю, что PCRE), вы можете поместить \K прямо перед именем атрибута и не беспокоиться о захвате всего материала, который вы хотите пропустить.

Вы не можете использовать одно и то же имя для нескольких захватов. Таким образом, вы не можете использовать квантификатор в выражениях с именованными захватами.

Так что либо не используйте именованные захваты:

(?:(\b\w+\b)\s*=\s*("[^"]*"|'[^']*'|[^"'<>\s]+)\s+)+

Или не используйте квантификатор в этом выражении:

(?<name>\b\w+\b)\s*=\s*(?<value>"[^"]*"|'[^']*'|[^"'<>\s]+)

Это также позволяет использовать такие значения атрибутов, как bar=' baz='quux:

foo = "bar=' baz='quux"

Что ж, недостатком будет то, что вам придется впоследствии удалить начальные и конечные кавычки.

что-то вроде этого может быть полезно

'(\S+)\s*?=\s*([\'"])(.*?|)\2

Извлеките элемент:

var buttonMatcherRegExp=/<a[\s\S]*?>[\s\S]*?</a>/;
htmlStr=string.match( buttonMatcherRegExp )[0]

Затем используйте jQuery для анализа и извлечения нужного вам бита:

$(htmlStr).attr('style') 

Мне это тоже понадобилось, и я написал функцию для разбора атрибутов, получить ее можно отсюда:

https://gist.github.com/4153580

(Примечание: он не использует регулярное выражение)

Сплаттне

Решение @VonC частично работает, но есть некоторая проблема, если в теге есть смешанные нецитированные и цитируемые

Этот работает со смешанными атрибутами

$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"

проверить это

<?php
$pat_attributes = "(\S+)=(\"|'| |)(.*)(\"|'| |>)"

$code = '    <IMG title=09.jpg alt=09.jpg src = "http://example.com.jpg?v=185579" border=0 mce_src = "example.com.jpg?v=185579"
    ';

preg_match_all( "@$pat_attributes@isU", $code, $ms);
var_dump( $ms );

$code = '
<a href=test.html class=xyz>
<a href = "test.html" class = "xyz">
<a href=\'test.html\' class = "xyz">
<img src = "http://"/>      ';

preg_match_all( "@$pat_attributes@isU", $code, $ms);

var_dump( $ms );

Тогда $ ms будет содержать ключи и значения во 2-м и 3-м элементах.

$keys = $ms[1];
$values = $ms[2];

Я создал Функция PHP, который может извлекать атрибуты любых тегов HTML. Он также может обрабатывать атрибуты, такие как disabled, которые не имеют значения, а также может определять, является ли тег автономным тегом (не имеет закрывающего тега) или нет (имеет закрывающий тег), проверяя результат content:

/*! Based on <https://github.com/mecha-cms/cms/blob/master/system/kernel/converter.php> */
function extract_html_attributes($input) {
    if ( ! preg_match('#^(<)([a-z0-9\-._:]+)((\s)+(.*?))?((>)([\s\S]*?)((<)/\2(>))|(\s)*/?(>))$#im', $input, $matches)) return false;
    $matches[5] = preg_replace('#(^|(\s)+)([a-z0-9\-]+)(=)(")(")#i', '$1$2$3$4$5<attr:value>$6', $matches[5]);
    $results = array(
        'element' => $matches[2],
        'attributes' => null,
        'content' => isset($matches[8]) && $matches[9] == '</' . $matches[2] . '>' ? $matches[8] : null
    );
    if (preg_match_all('#([a-z0-9\-]+)((=)(")(.*?)("))?(?:(\s)|$)#i', $matches[5], $attrs)) {
        $results['attributes'] = array();
        foreach($attrs[1] as $i => $attr) {
            $results['attributes'][$attr] = isset($attrs[5][$i]) && ! empty($attrs[5][$i]) ? ($attrs[5][$i] != '<attr:value>' ? $attrs[5][$i] : "") : $attr;
        }
    }
    return $results;
}

Тестовый код

$test = array(
    '<div class = "foo" id = "bar" data-test = "1000">',
    '<div>',
    '<div class = "foo" id = "bar" data-test = "1000">test content</div>',
    '<div>test content</div>',
    '<div>test content</span>',
    '<div>test content',
    '<div></div>',
    '<div class = "foo" id = "bar" data-test = "1000"/>',
    '<div class = "foo" id = "bar" data-test = "1000" />',
    '< div  class = "foo"     id = "bar"   data-test = "1000"       />',
    '<div class id data-test>',
    '<id = "foo" data-test = "1000">',
    '<id data-test>',
    '<select name = "foo" id = "bar" empty-value-test = "" selected disabled><option value = "1">Option 1</option></select>'
);

foreach($test as $t) {
    var_dump($t, extract_html_attributes($t));
    echo '<hr>';
}

Посмотри на это Regex и PHP - изолировать атрибут src от тега img

возможно, вы сможете пройтись по DOM и получить желаемые атрибуты. Он отлично работает для меня, получая атрибуты из тега тела

PHP (PCRE) и Python

Простое извлечение атрибутов (Смотрите, как это работает):

((?:(?!\s|=).)*)\s*?=\s*?["']?((?:(?< = ")(?:(?<=\\)"|[^"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!"|')(?:(?!/>|>|\s).)+))

Или с проверкой открытия / закрытия тега, извлечением имени тега и экранированием комментария. Это выражение предусматривает отсутствие кавычек / кавычек, одинарные / двойные кавычки, экранированные кавычки внутри атрибутов, пробелы вокруг знаков равенства, различное количество атрибутов, проверку только атрибутов внутри тегов и управление разными кавычками внутри значения атрибута. (Смотрите, как это работает):

(?:\<\!\-\-(?:(?!\-\-\>)\r\n?|\n|.)*?-\-\>)|(?:<(\S+)\s+(?=.*>)|(?<=[=\s])\G)(?:((?:(?!\s|=).)*)\s*?=\s*?[\"']?((?:(?<=\")(?:(?<=\\)\"|[^\"])*|(?<=')(?:(?<=\\)'|[^'])*)|(?:(?!\"|')(?:(?!/>|>|\s).)+))[\"']?\s*)

(Лучше работает с флагами gisx.)

Javascript

Поскольку регулярные выражения Javascript не поддерживают ретроспективный анализ, они не будут поддерживать большинство функций предыдущих выражений, которые я предлагаю. Но если это может кому-то подойти, вы можете попробовать эту версию. (Смотрите, как это работает).

(\S+)=[\'"]?((?:(?!/>|>|"|\'|\s).)+)

У меня это работает. Он также принимает во внимание некоторые конечные случаи, с которыми я столкнулся.

Я использую это регулярное выражение для синтаксического анализатора XML

(?<=\s)[^><:\s]*=*(?=[>,\s])

Это мой лучший RegEx для извлечения свойств в теге HTML:

# Обрезать совпадение внутри кавычек (одинарных или двойных)

(\S+)\s*=\s*([']|["])\s*([\W\w]*?)\s*\2

# Без обрезки

(\S+)\s*=\s*([']|["])([\W\w]*?)\2

Плюсы:

• Вы можете обрезать содержимое внутри кавычек.
• Сопоставьте все специальные символы ASCII внутри кавычек.
• Если у вас есть title = "Ты мой", RegEx не нарушается.

Минусы:

• Возвращает 3 группы; сначала свойство, затем цитата ("| ') и в конце свойство внутри кавычек, например: <div title = "You're"> результат: Группа 1: заголовок, Группа 2:", Группа 3: Вы.

Это онлайн-пример RegEx: https://regex101.com/r/aVz4uG/13

Обычно я использую этот RegEx для извлечения тегов HTML:

Я рекомендую это, если вы не используете такие теги, как <div, <span и т. д.

<[^/]+?(?:\".*?\"|'.*?'|.*?)*?>

Например:

<div title = "a>b=c<d" data-type='a>b=c<d'>Hello</div>
<span style = "color: >=<red">Nothing</span>
# Returns 
# <div title = "a>b=c<d" data-type='a>b=c<d'>
# <span style = "color: >=<red">

Это онлайн-пример RegEx: https://regex101.com/r/aVz4uG/15

Ошибка в этом RegEx:

<div[^/]+?(?:\".*?\"|'.*?'|.*?)*?>

В этом теге:

<article title = "a>b=c<d" data-type='a>b=c<div '>Hello</article>

Возвращает <div '>, но не должно возвращать совпадений:

Match:  <div '>

Чтобы "решить" эту проблему, удалите шаблон [^/]+?:

<div(?:\".*?\"|'.*?'|.*?)*?>

Ответ # 317081 хорош, но он не подходит должным образом в следующих случаях:

<div id = "a"> # It returns "a instead of a
<div style = ""> # It doesn't match instead of return only an empty property
<div title = "c"> # It not recognize the space between the equal (=)

Это улучшение:

(\S+)\s*=\s*["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))?[^"']*)["']?

против

(\S+)=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?

Избегайте пробелов между равным сигналом: (\ S +) \ s * = \ s * ((?: ...

Поменять последние + и. для: | [> "'])) ? [^ "'] *) ["']?

Это онлайн-пример RegEx: https://regex101.com/r/aVz4uG/8

Теги и атрибуты в HTML имеют вид

<tag 
   attrnovalue 
   attrnoquote=bli 
   attrdoublequote = "blah 'blah'"
   attrsinglequote='bloob "bloob"' >

Для сопоставления атрибутов вам понадобится регулярное выражение attr, которое находит одну из четырех форм. Затем вам нужно убедиться, что в тегах HTML указываются только совпадения. Предполагая, что у вас правильное регулярное выражение, общее регулярное выражение будет следующим:

attr(?=(attr)*\s*/?\s*>)

Предварительный просмотр гарантирует, что за атрибутом следуют только другие атрибуты и закрывающий тег. Я использую следующее регулярное выражение для attr:

\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?

Неважные группы не захватываются. Первая совпадающая группа $1 дает вам имя атрибута, значение - одно из $2 или $3 или $4. Я использую $2$3$4 для извлечения значения. Последнее регулярное выражение

\s+(\w+)(?:\s*=\s*(?:"([^"]*)"|'([^']*)'|([^><"'\s]+)))?(?=(?:\s+\w+(?:\s*=\s*(?:"[^"]*"|'[^']*'|[^><"'\s]+))?)*\s*/?\s*>)

Примечание. Я удалил все ненужные группы в предварительном просмотре и сделал все оставшиеся группы незахваченными.