c# - 正则表达式适用于 .NET 测试站点，但不适用于 C# 环境

Question

引用这个stackoverflow问题: - Regex Pattern help: finding HTML pattern when nested ASP.NET Eval?

我在这里收到了问题的答案: - regexstorm link

适用于正则表达式 .NET 测试站点的 .NET 答案不适用于我的 C# Visual Studio 环境。这是它的单元测试:

[Test]
public void GetAllHtmlSubsectionsWorksAsExpected()
{
    var regPattern = new Regex(@"(?'o'<)(.*)(?'-o'>)+");

    var html = 
        "<%@ Page Language=\"C#\" %>" +
        "<td class=\"c1 c2 c3\" colspan=\"2\">" + 
        "lorem ipsum" + 
        "<div class=\"d1\" id=\"div2\" attrid=\"<%# Eval(\"CategoryID\") %>\">" + 
        "testing 123" + 
        "</div>" + 
        "asdf" + 
        "</td>";

    List<string> results = new List<string>();

    MatchCollection matches = regPattern.Matches(html);
    for (int mnum = 0; mnum < matches.Count; mnum++)
    {   
        Match match = matches[mnum];
        results.Add("Match #" + (mnum + 1) + " - Value: " + match.Value);
    }

    Assert.AreEqual(5, results.Count()); //Fails: results.Count() == 1
}

为什么这在 regexstorm 网站上有效，但在我的单元测试中却无效？

Answer 1

请注意，使用正则表达式解析 HTML 不是最佳实践，您应该使用专用的解析器。

现在，至于问题本身，您使用的模式仅适用于具有 1 个以 < 开头的单个子字符串的行并以相应的 > 结尾.但是，您的输入字符串没有换行符!它看起来像:

<%@ Page Language="C#" %><td class="c1 c2 c3" colspan="2">lorem ipsum<div class="d1" id="div2" attrid="<%# Eval("CategoryID") %>">testing 123</div>asdf</td>

.*子模式称为贪心点匹配模式，它匹配除换行符以外的尽可能多的字符(因为它抓取整行然后回溯 查看是否找到下一个子模式(此处为 > )，因此您将获得最后一个可能的 > )。

要解决这个问题，您需要一个适当的平衡结构匹配模式:

<((?>[^<>]+|<(?<c>)|>(?<-c>))*(?(c)(?!)))>

参见 regex demo

C#:

var r = new Regex(@"
    <                      # First '<'
      (                    # Capturing group 1
        (?>                # Atomic group start 
        [^<>]              # Match all characters other than `<` or `>`
        |
         < (?<c>)          # Match '<', and add a capture into group 'c'
        |
         > (?<-c>)         # Match '>', and delete 1 value from capture stack
        )*
        (?(c)(?!))         # Fails if 'c' stack isn't empty!
      )                
    >                      # Last closing `>`
"; RegexOptions.IgnoreWhitespace);

免责声明:如果您取消配对 <，即使这个正则表达式也会失败或 >在您的元素节点中，这就是为什么不使用正则表达式来解析 HTML。