3

К примеру, у нас есть следующий html-код:

<html>
    <head>
        <caption>Hello!</caption>
    </head>
    <body>
        <div class="nameCl">
            Block Content
        </div>
        <p>Text</p>
        <i name="nameI" size = "2" with=6>Content</i>
    </body>
</html>

Как можно с помощью регулярных выражений получить содержание оперделенного тэга, указав его имя в этом выражении. Имена тэгов в файле зарание известны и могут передваться в качестве строки или параметра функции, которая и будет осуществлять выборку. К примеру, если я хочу получить содержимое тэга html, то результат выполнения регулярки должен быть следующим:

<head>
   <caption>Hello!</caption>
</head>
<body>
   <div class="nameCl">
        Block Content
   </div>
   <p>Text</p>
        <i name="nameI" size = "2" with=6>Content</i>
</body>

Для тэга body результат должен быть таким:

<div class="nameCl">
    Block Content
</div>
<p>Text</p>
<i name="nameI" size = "2" with=6>Content</i>

и тд. Я попробовал решить эту задачу, написав следующее регулярное выражение:

<html>([\w\s]*)<\/html>

Однако, я не получил необходимый результат. Далее, попробовал еще один способ:

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

В целом, результат получился почти необходимым, однако, если делать выборку содержимого тэга html, то результат будет таким:

<head>
        <caption>Hello!</caption>
    </head>
        <div class="nameCl">
            Block Content
        </div>
        <p>Text</p>
        <i name="nameI" size = "2" with=6>Content</i>
    </body>

т.е. нет начального тэга .

EDIT

Реализация второго способа выглядит вот так:

std::regex m_RegexValue("<.+>\\s*(.+)\\s*<\\/.+>")
std::vector<std::string> result {};

    try
    {
        std::sregex_iterator next(userData.begin(), userData.end(), m_RegexValue);
        std::sregex_iterator end;

        while (next != end)
        {
            result.push_back(std::smatch(*next).str());
            ++next;
        }
    }
    catch (const std::regex_error& e)
    {
        std::cout << e.what() << std::endl;
    }

Как можно это исправить и получить желаемый результат, т.е. чтобы по имени тэга получить все его содержимое?

UPDATE

После того, как принял советы, которые мне здесь подсказали, возникла потребность выбрать не всё содержимое родительского тега, а лишь чистый текст/контент, без остальных дочерних тегов. Т.е. к примеру, есть следующее содержимое html-страницы:

<html>
        <head>
            <caption>Hello!</caption>
        </head>
        Some content/data/text
        <body>
            <div class="nameCl">
                Block Content
            </div>
            <p>Text</p>
            <i name="nameI" size = "2" with=6>Content</i>
        </body>
    </html>

Как можно выбрать только Some content/data/text? Данная проблема возникла потому, что в некоторых случаях нужно выбирать абсолютно все содержимое родительского тега, а в других - только чистый текст/контент родительского тега.

4
  • В C++ помощью std::regex никак - нет поддержки рекурсии. R"(<(html)>([\w\W]*?)</\1>)" не сработает для вложенных тегов. 21 июн 2018 в 9:08
  • @WiktorStribiżew , я обновил свое описание и добавил свой пример реализации для второго случая. Такая реализация мне почти подходит за исключением того, что она не захватывает начальны тег <body>. Может, можно как-то подправить мою текущую регулярку для того, чтобы она захватывала все?
    – igdev
    21 июн 2018 в 9:53
  • m_RegexValue("<([a-zA-Z_][\\w.-]*)[^>]*>\\s*([\\w\\W]*?)\\s*</\\1>") 21 июн 2018 в 9:54
  • @WiktorStribiżew благодарю!
    – igdev
    21 июн 2018 в 18:37

3 ответа 3

2

Правильно в таких случаях использовать специальные парсеры DOM.

Я приведу пример регулярного выражения, который может не всегда сработать, например:

  • если в атрибутах есть < или >
  • если требуется найти соответсвтующий закрывающий тег для открывающего (т.е. без поддержки вложенных тегов.

Держа вышесказанное в уме, посмотрите на

m_RegexValue("<([a-zA-Z_][\\w.-]*)[^>]*>\\s*([\\w\\W]*?)\\s*</\\1>")

Шаблон ([a-zA-Z_][\w.-]*)[^>]*>\s*([\w\W]*?)\s*</\1> находит:

  • ([a-zA-Z_][\w.-]*) - Захватывающая подмаска №1 (техническая, нужна для того, чтобы потом использовать обратную ссылку на значение, захваченное этой группой): ASCII-буква или _, за которой может следовать 0 и более букв, цифр, _, . и -
  • [^>]* - 0 и более символов, отличных от >
  • >\s* - > и 0 и более пробельных символов
  • ([\w\W]*?) - Захватывающая подмаска №2: 0 и более любых символов, как можно меньше
  • \s*</\1> - 0 и более пробельных символов, а затем </, обратная ссылка на значение первой захватывающей группы и >.

Для нахожения определённых тегов, можно указывать их внутри первых скобок, а после добавлять границу слова. Пример для body:

<(body)\b[^>]*>\s*([\w\W]*?)\s*</\1>
  ^^^^ ^^

См. онлайн-демо этого выражения.

Однако использовать эту регулярку не рекомендуется, используйте соответствующий парсер. Сссылки на разные HTML-парсеры для С++ можно найти в этом ответе на английском SO.

2
  • Можно данное решение адаптировать и под случай, который я описал в топике в пункте "UPDATE"? У меня, к сожалению, не получилось, используя Ваш пример, достичь желаемого результата, чтобы выбрать только текст.
    – igdev
    5 авг 2018 в 17:37
  • @igdev Регулярки и HTML не дружат, это "костыль", так как в каждом конкретном случае придётся поправлять регулярку (и что не всегда будет возможно). Вам на самом деле стоит обратить внимание на парсеры HTML. А реугелярка в данном случае может выглядеть так - </head>\s*([^<>]*?)\s*<body>. Однако никакой гарантии. 5 авг 2018 в 19:49
2

Решение задачи можно получить проще если использовать SAX/DOM XML-парсеры. Например, в Qt есть замечательный метод QDomElement::elementsByTagName(...), который возвращает список всех дочерних элементов с указанным именем, а QDomElement::toString() возвращает содержимое элемента в качестве строки. Это все что нужно для того, что бы решить Вашу задачу.

Конечно, никто не заставляет использовать Qt, и Вы можете применить здесь любой другой XML-парсер.

1

Для подобного разложения используются лексеры и парсеры. Пример сочетания - flex+bison. Хорошая статья , описывающая работу лексера и парсера вместе.

P. S. В лексере, для улавливания морфем используются регулярные выражения.

Ваш ответ

Нажимая на кнопку «Отправить ответ», вы соглашаетесь с нашими условиями использования и подтверждаете, что прочитали и поняли наши политику конфиденциальности и нормы поведения.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.