正则表达式用于识别HTML标签（仅作为正则表达式重复学习练习！！）

Question

我非常非常新手，对于正则表达式一直都是避之不及。到目前为止，我已经尽力避免使用它了。但现在一个个人项目促使我去学习它。

因此，我开始学习，并查看此处的教程。

目前我在这里：http://www.regular-expressions.info/repeat.html 我的问题是：

教程中说，<[A-Za-z][A-Za-z0-9]*>可以匹配HTML标记。

但是，它不会匹配无效的HTML标签，比如<h11>或<h111>吗？同时，它又怎么匹配闭合标签？

编辑 - 我的问题很具体。我指的是一个特定教程中的一个特定示例，以澄清我的重复理解是否正确。再次强调，我不关心使用正则表达式解析HTML。

- DS.

---

阅读此答案：https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - jpw

你没有回答我的问题。我不是在使用正则表达式来“匹配HTML”。那不是我的目的。我把这个当作一个练习来学习正则表达式。忘掉HTML吧。我的问题是，如果这个教程中的例子的目的是匹配<h1> - <h6>，那么它怎么正确呢？难道它不会同时匹配<h11>和<h111>吗？ - DS.

回答你的问题：是的，它会匹配<h111>，但不会匹配闭合标签。 - user1864610

可能是Can you provide some examples of why it is hard to parse XML and HTML with a regex?的重复问题。 - Caspar Kleijne

@MikeW 谢谢，所以我的理解是正确的。很抱歉我不得不求助于SO。教程网站本身似乎没有评论/论坛部分。 - DS.

不是复制。我的问题非常具体。我提到了一个特定教程中的一个特定示例，以澄清我对重复的理解是否正确。再次强调，我重申，我不关心使用正则表达式进行HTML解析。 - DS.

Answer 1

既然您正在尝试学习正则表达式，我认为回答您的问题不会有任何伤害：

1）是的，它也会匹配无效的标签，因为它是任意字母后跟另一个字母或数字的零个或多个匹配项。

2）它将不会匹配闭合标签（其中必须搜索是否存在 /）。

还有一点需要注意：人们曾经用来查找文档中的html标签的方法是查找开放和闭合括号的模式，如下所示：

<\/?[^>]*>

那是开括号，可选的斜杠，(除了闭括号之外的任何东西)重复一遍，然后是闭括号。当然，我不建议任何人这样做。这只是留在这里作为一个练习。

- erewok

---

谢谢！这很有帮助。我猜人们太急于在这里对问题进行评判，而不是真正尝试理解正在被问的内容。 - DS.

在这个特定的话题上我们达成了一致。正则表达式和HTML的事情可能有些混淆。你的问题似乎不是传统意义上的（“我试图学习正则表达式来爬取网页”，是的，我同意这不是正确的方法）。 - erewok

Answer 2

教程中说 <[A-Za-z][A-Za-z0-9]*> 可以匹配 HTML 标签。 但是它不也会匹配无效的 HTML 标签，比如 - 或者 ？ 而且它怎么匹配闭合标签呢？

是的，它可以匹配 <h11> 和 <X098wdfhfdshs98fhj2hsdljhkvjnvo9sudvsodfih23234osdfs>。

如果你只想匹配一个字母后面跟着一个可选的数字，这样你就可以匹配 <h1>，那么你需要使用 <[A-Za-z][0-9]?>。

- Andy Lester

---

还有其他正确的方式吗？- <[A-Za-z]*[1-6]{0,1}> - DS.

@DS: ?еПѓдї•жЫњдї£{0,1}гАВељУзДґпЉМеЃГдєЯеПѓдї•еМєйЕН<z3>жИЦиАЕ<q7>гАВ - Tim Pietzcker