如何使用正则表达式搜索被双引号包围的文本？

Question

我有一个字符串，其中包含一些HTML代码，例如：

This is <strong id="c1-id-8">some</strong> <em id="c1-id-9">text</em>

我需要从每个HTML标记中删除id属性，但是我对正则表达式毫无经验，所以我在互联网上搜索并编写了此模式：[\s]+id=\".*\" 不幸的是，这并没有像我期望的那样起作用。实际上，我希望正则表达式能够捕获id="后面跟着任意字符重复任意次数并以最近的双引号终止的内容；在这个例子中，我希望能捕获id="c1-id-8"和id="c1-id-9"。 但是相反，该模式返回了子字符串id="c1-id-8">some</strong> <em id="c1-id-9"，它找到了id="的第一个出现和最后一个双引号字符的最后一个出现。

请问我的模式有什么问题，如何修复呢？ 非常感谢

- Cesco

---

第∞次了，使用解析器。HTML不是一种正则语言。 - Matt Ball

Answer 1

你的正则表达式中的量词 .* 是贪婪模式（意味着它会尽可能匹配更多字符）。为了匹配最少的必要字符，你可以使用类似这样的表达式 /\s+id=\"[^\"]*\"/。方括号 [] 表示一个字符类，所以它将匹配方括号里面的所有字符。插入符号 [^] 在字符类开头表示否定，意味着它将匹配除括号内指定内容之外的所有字符。

另一种方法是通过将 .* 量词更改为 .*? 来使其变为懒惰模式，这将匹配尽可能少的字符。

- nachito

---

非常感谢，现在我明白它是如何工作的：(1) 它从搜索任意数量的空格+id="开始 (2) 它搜索任何字符，直到找到双引号字符 (3) 它搜索双引号字符。 - Cesco

正确。并且赞扬你在发帖之前去研究了你的问题，这总是有帮助的。 - nachito

@ridgerunner非常好的澄清/更正。我已经编辑了我的答案，希望更准确。 - nachito

Answer 2

在.*中，星号是贪婪量词，它会尽可能匹配尽可能多的字符，因此它只会在找到最后一个"时停止匹配。

您可以使用".*?"使其变成非贪婪量词，或者（我认为更好的方法）使用"[^"]*"来明确匹配内容：

"      # match a quote
[^"]*  # match any number of characters except quotes
"      # match a quote

如果您是从字符串构建正则表达式，可能仍需要转义引号；否则在正则表达式中引号不是特殊字符，因此不需要转义。

- Tim Pietzcker

Answer 3

grep的示例：（重点是表达式）

kent$  echo 'This is <strong id="c1-id-8">some</strong> <em id="c1-id-9">text</em>'|grep -oP '(?<= id=")[^"]*(?=">)'
c1-id-8
c1-id-9

- Kent

Answer 4

在一般情况下，解析器是最好的解决方案，但编写解析器需要时间。有些情况下，编写解析器所需的时间比解析器节省的时间还要多；也许这就是这种情况。

你想要的是非贪婪匹配或更精确的匹配。/[\s]+id=\".?\"/ 可以解决问题，但 [\s]+id=\"[^"]\" 会更快。

请注意，一个完整的正则表达式，考虑到转义引号字符的可能性，允许单引号而不是双引号，并允许没有引号的情况，将会更加复杂。在那种情况下，你真的需要一个解析器。

- db48x

Answer 5

如果你知道你的id总是7个字符，你可以这样做。

/\sid=".{7}"/g

所以。。

var a = 'This is <strong id="c1-id-8">some</strong> <em id="c1-id-9">text</em>';

var b = a.replace(/\sid=".{7}"/g, '');

document.write(b);

例子：http://jsfiddle.net/jasongennaro/XPMze/

检查检查器以查看已删除的id。

- Jason Gennaro

---

非常感谢。不幸的是，ID字符串可能是任意长度，我无法控制它 :-( - Cesco

谁给这个点踩了。我不介意被踩，但你能告诉我为什么吗？ - Jason Gennaro