站長資訊網(wǎng)通用 HTML 標簽區(qū)配正則
最近看網(wǎng)站日志，發(fā)現(xiàn)有人在博客上轉了我不知道幾年前寫的一個匹配 HTML 標簽的正則，剛好最近也在做一些相關的事情，頓時來了興趣。就拿回來改改，成了下面這樣，可能會有一些 case 遺漏，歡迎修改，已知在內嵌 <script> 復雜內容的處理能力較弱，不過對純 HTML 來說已經(jīng)夠用，拿來做一些分析工具還是不錯滴。
var str = “<br /><br/><br><br ><中文><div><div id=a>無憂腳本<img src=”http://bbs.51js.com/images/default/logo.gif” width=”191″ height=’75’ border=0 onload=”if(testver>0 && testver<500)alert(‘test’);” n onerror=’alert(“test”)’ /><img src=xxx alt=”hellonjust a test!”></div><hr ><script type=”test/javascript” defer>alert(“just a test!”);</script>Hello.<input type=text value=”無憂腳本”><br / ><img “” ></ ><!– 注釋 –>< ucren><!– 再<注>釋 –><img alt=’ title='”‘ /><b>123</b>1<2<3,3<4>1<b><img src=”http://bbs.51js.com/images/old51js/logo.gif” /><!– 三注釋>>> –>”;
var reg = /<(?:(?:/?[A-Za-z]w*b(?:[=s]([‘”]?)[sS]*?1)*)|(?:!–[sS]*?–))/?>/g;
alert(str.match(reg).join(“n—————————————————-n”));
</script>
[Ctrl+A 全選 注:如需引入外部Js需刷新才能執(zhí)行]
有朋友留言說Java直接使用的話會報錯。我后來查了一下，發(fā)現(xiàn)Java正則引擎支持的特性相對比較少。在1.6版本中不能使用命名組（貌似1.7的時候開始支持了），否則會報以下錯誤，更別說平衡組了。因此感覺要實現(xiàn)無限級的嵌套匹配不大現(xiàn)實。
在網(wǎng)上搜了好久也沒找到完美的解決方案。不過，我們可以實現(xiàn)有限級Html嵌套標簽匹配。思路相對于無限級來說就簡單了好多，不需要那么多高級的特性。
示例：
在上面這個示例中，我們打算匹配id為footer的這個嵌套div，而且假設我們預先知道footer這個div里面最多只會嵌套一級div。更多級的情況我們一會兒再講。
footer的開始和結束標簽匹配很簡單：
夾在開始和結束標簽之間的內容無非有兩種情況：
內容A: div標簽，并且此div內無嵌套div
內容B: 任意其他內容
然后就是這兩種內容的不斷重復而已。正則表示如下：
注意最后面的問號必須要加上，否則由于正則的貪婪匹配特性，footer的閉合標簽會匹配失誤。
OK了，匹配最多嵌套一級div的正則表達式如下：
那么如果footer標簽里頭最多會嵌套兩級div的話怎么辦呢？
其實也不難，我們只需要把上面的“內容A”部分中的點號稍作替換即可。修改如下：
到這里你可能就知道，如果要匹配最多嵌套三級div的話，正則應該怎么寫了：
所以實際上，只要你的html結構不是特別復雜的話，也就是說嵌套不會很深的話，那么你完全可以使用這種方式來匹配嵌套html標簽。
這個正則在Java和Javascript中都可以使用，因為它沒有用到任何高級特性。
