正则表达式反向引用非捕获组？

Question

对于这样的字符串：

<h3>title</h3>
<h4>title</h4>

如何匹配对应的标签并获取它们中的文本？

这个方法可以实现，但是它不必要地获取了标签名称：

'@<(h[34])>(.+)</\1>@sU'

然而，这似乎不起作用，因为我不想获取标签名称，只想回溯它：

'@<(?:h[34])>(.+)</\1>@sU'

我正在使用PHP preg_match()。为什么第二种方法不起作用？是否可能回溯引用一个非捕获组？

- datasn.io

---

不，你不能反向引用不存在的内容。/.+\7/ 怎么可能工作呢？在你的第二个例子中，\1 将匹配 (.+) 的内容. - mario

@mario，那么如何使用正则表达式匹配HTML标签及其中的内容呢？这里有什么常见的做法吗？ - datasn.io

你应该使用 DOM 解析器而不是正则表达式。 - hjpotter92

@hjpotter92，即使是格式不正确的DOM文档？我认为使用正则表达式更通用，这样我就不会因为破碎的DOM而感到恐慌。此外，我可能还需要解析一些不同于XML / HTML文档但具有类似模式的普通字符串。 - datasn.io

@kavoir.com https://dev59.com/glfUa4cB1Zd3GeqPGUeR - hjpotter92

不要使用正则表达式解析X/HTML。不要使用正则表达式解析X/HTML。不要使用正则表达式解析X/HTML。我是否提到不要使用正则表达式解析X/HTML？ - Qix - MONICA WAS MISTREATED

Answer 1

“捕获组”可以在正则表达式中作为回溯引用后面使用，以引用在该捕获组中匹配的内容。通过在内部放置?:，您可以指定不捕获该组，而是对表达式进行分组。

您可以使用分支重置功能(?| ... | ... )，这样您的表达式就不会匹配不对应的标记，并且两个备选项中的捕获组都被视为一个捕获组。

~(?|<h3>(.+?)</h3>|<h4>(.+?)</h4>)~s

"

现场演示

"

- hwnd

---

我没有这样做。为什么要用 .+? 而不是只用 **.+**？ - datasn.io

因为没有使用U修饰符，所以.+是贪婪的，这意味着如果有多个标签，它将继续匹配。 - hwnd

所以 .+? 是 .+ 的非贪婪版本 ？ - datasn.io

<(?:h[34])>(.+?)</(?:h[34])>s是否也匹配不对应的标签? 比如 <h3>...</h4>? - datasn.io

谢谢您的更新，但如果我们有一种通用的方法来使用正则表达式匹配HTML标签，那将会更好。我简直不敢相信这是如此困难！ - datasn.io

我猜想，那么在不捕获标签名称的情况下，很难想出一种通用的正则表达式匹配HTML标签的方法？ - datasn.io