发一个嵌套标签匹配的正则<(?:[^<>]++|(?R))*>

cixiplc66 · 发表于 2018-6-12 02:21:09

本帖最后由 cixiplc66 于 2018-6-12 09:50 编辑

<(?:[^<>]++|(?R))*>

复制代码

<(?:[^<>]++|(?R))*>

匹配到尖括号之间内容,允许内部多次嵌套
核心: (?R)
平衡组递归匹配
这个是Autohotkey脚本软件作者Lexikos亲手所出,绝对牛逼高人!

/*
正则递归 by_Lexikos
它可以与“递归调用”结合来删除任意数量的嵌套<...>：

一个特殊的项目由 (? 后面跟一个大于的数字组成零和一个右括号
是子模式的递归调用给定的数字，只要它发生在子模式内。
（如果不是，这是一个“子程序”的调用，这在下一个部分中有描述，）
特殊项目 (?R) 或 (?0) 是整个递归调用正则表达式。

这个PCRE模式解决了嵌套的括号问题
（假设PCRE_EXTENDED选项设置为忽略空白）：
$ ( [^()]++ | (?R) )* $

首先它匹配左括号。
然后它匹配任何数量的可以是非括号序列的子字符串，
或者a模式本身的递归匹配
（也就是说，一个正确的parenthe-大小的子字符串）。
最后有一个右括号。请注意使用的所有格量词，
以避免回溯成非序列的序列，括号。

Source: http://www.pcre.org/pcre.txt
https://autohotkey.com/board/top ... d-text-in-a-string/
*/

Emeditor 完美支持 (?R) 递归语法

附上语法解释:
[DEELX 正则表达式扩展语法：递归表达式 - CSDN博客](https://blog.csdn.net/technofiend/article/details/49905127)

百度能搜到的唯一一篇讲解的比较清楚的关于(?R)正则递归
[php匹配嵌套括号内的文本 - xubaoguo - ITeye博客](http://xubaoguo.iteye.com/blog/941406)

(a(b(c)d)(ggg)e))
u7 H& l H; T' R% M E
2 w2 F: K# r/ F' d1 i; i& p
$([^()]+|(?R))*$

复制代码

和Lexikos版本主要区别未使用?:不捕获存档组
Lexikos大使用了2个加号++,不知道是不是针对一些特别的换行符而考虑

几个变形:

$(?:[^()]+|(?R))*$* ?# C2 o4 p% y0 M( @; R
4 {( N9 p0 H: _
$(?>[^()]+|(?R))*$

复制代码

具体区别还要慢慢体会

cixiplc66 · 发表于 2018-6-12 02:26:04

本帖最后由 cixiplc66 于 2018-6-12 02:32 编辑

?: 后面加上 span class="kwd"
应该能完美匹配到指定标签了,没测试
如此简洁匹配到嵌套尖括号也可以换成圆括号的正则表达式,百度了一天我还搜不到

德国人的英语,Google的翻译也只能凑合看

cixiplc66 · 发表于 2018-6-12 03:52:44

再送同样是ahk_L版本老大@lexikos : remove blank lines
收藏级的去行首行尾空白同时去空行的正则

正则替换

^\s+|\s*(\R|$)\s*

复制代码

替换为\1

-----------------------✂-----------------------
同样效果:

`am)^\s+|\h+$|\R\z

复制代码

匹配部分替换为空
注意 `am)是ahk脚本中语法,表示开启识别多种换行符和匹配多行开头结尾模式

kapan000 · 发表于 2018-6-12 07:26:46

请问
如果是想筛选出尖括号<>以外的内容呢？
比如A12<DE>F907G
选择<DE>之外的内容

谢谢

cixiplc66 · 发表于 2018-6-12 09:15:08

本帖最后由 cixiplc66 于 2018-6-12 22:46 编辑

你这样的需求一般是html源码转txt
多数是直接匹配 <[^>]*?> 然后替换为空,倒无需考虑嵌套反而简单了

备注:
[^>]也可以用英文句号圆点 . 代替,
不过小圆点 . 有局限,除非开启 s 模式否则不能匹配到换行符,也就是只能处理一个看得见的行内
,默认情况下正则把整个文本看做一行
小圆点 . 要处理跨行开启 s 模式
^ $ 这2个行首行尾位置标记要处理跨行的内容,要开启 m 模式,其中有3个很少见到的类似效果的 \A \z \Z
\A 全文开头 \z全文结尾位置
\Z 无须开启 m 多行模式就可以匹配行尾和全文结尾
\R 默认就能代替各种换行符,比\n 灵活出问题少,各种系统搞出来的文本的换行符很复杂,最常见的也有 \r \n \r\n这三种可能

\K 作用类似于逆向回顾,用于前面是某某某一些字符,比如: a\Kbc 能匹配到bc但是bc前面必须有个a
类似于 (?=a)bc

所有全角双字节字符含标点

[[:unicode:]]
+ n; X$ `! I3 ^
' v- a' d) S% }
等同于 [^\x00-\xff]

复制代码

中日韩双字节全角字符

含生僻字中文[\x{2E80}-\x{FE4F}]
9 c1 i2 a. ^% L; z
[\x{3000}-\x{9FFF}] XeCJK 中日韩
3 C. Y8 x; E. I: L: A. @( O5 U% S
// 汉字范围 [\x0391-\xffe5]

复制代码

中文标点

[\x{3000}-\x{301e}\x{fe10}-\x{fe19}\x{fe30}-\x{fe44}\x{fe50}-\x{fe6b}\x{ff01}-\x{ffee}]
+ m/ P9 @& p1 J, f- e
[中文标点符号unicode码 - CSDN博客](https://blog.csdn.net/miyunhong/article/details/43528897)

复制代码

英文标点

[[:punct:]]- l1 d6 K5 M5 K& a! u
\p{Punct}

复制代码

\p{L} 等于 [a-z]2 f5 v9 a% ]% z, b; W; i& U# k
\p{U} 等于[A-Z]

复制代码

匹配某些特定图片img标签,
1. 允许src有时候不紧跟在 <img 后面
2. src= 后面可能英文或中文引号,如果可能没有引号还得改为 ['"]?

<img[^>]+src=['"]img/spkr_[^>]+>

复制代码

双引号的问题
多数时候正则中的双引号是个需要特别处理的,比如在一些脚本中,需要连续2个 "" 来代表一个 "
只是在一些编辑器中好像又不需要特别处理

jonah_w · 发表于 2019-1-12 00:08:29

++是为了开启“侵占模式”：走过的路不回头。

lemonlab · 发表于 2020-1-8 04:37:09

mark 一下

markwell · 发表于 2020-7-14 17:25:44

html转txt必备良品，之前自己一个一个标签去匹配真是蠢到家了，收藏了

		自动登录	找回密码
密码			免费注册

[教程] 发一个嵌套标签匹配的正则<(?:[^<>]++|(?R))*>

评分

本帖被以下淘专辑推荐:

评分

评分