我正在尝试匹配一个具有特定ID的DIV块。这是我的regex代码：
<div\s+[^>]*\s*id\s*=\s*["|']content["|']\s*>[^/div]+
我想让regex匹配整个div块。所以我把[^/d i v]+放在regex中，我假设它将匹配剩余的字符，直到它到达的结尾，但直到结尾它才匹配，因为[^]表达式认为我不想匹配任何。我想把整个事情看成一个整体。放一个[^（）]也无济于事。
所以请告诉我该如何编码这个问题
<div id="content">
<noscript></noscript>
<a href="blabla.com">
<h1>
<a href="blablac.com">Blablabla</a>
</h1>
</div>
最佳答案
免责声明：首先，我同意，一般来说，regex不是解析HTML的最佳工具。然而，在右手边（有一些注意事项），Philip Hazel强大的（而且最确定的是非AA>PCRE库）PCRE库（由php的preg_*()函数家族使用）确实允许解决非琐碎的数据抓取问题，如这一个（有一些限制和注意事项-见下文）。上面所述的问题对于单独使用regex来解决特别复杂，下面介绍的regex解决方案并不适用于所有人，而且不应该由regex新手尝试。要正确理解下面的答案，需要相当深入地理解几个高级regex构造和技术。
有人会不会想到孩子们！是的，我读过博宾斯的传奇式回答，我知道这是一个棘手的问题（至少可以说）。但是，如果您想立即单击向下投票箭头，因为我同时使用了单词：regex和：html（并且在一个不重要的问题上也同样如此），我会谦虚地要求您不要读太长的时间来阅读整个文章，并实际为您尝试这个解决方案。我自己。
有鉴于此，如果您希望了解如何精心设计高级regex来解决此问题（对于除少数（不太可能）特殊情况以外的所有情况-请参阅下面的示例），请继续阅读……
高级递归regex解决方案：正如WesHardaker正确指出的那样，'/(?:actual|brave|stupid)ly/'s可以（并且经常）嵌套。但是，当他说“你不能构建一个在正确之前匹配的对象”时，他不是100%正确的。事实是，使用PHP，您可以！（有一些限制-见下文）。与Perl和.NET一样，PHP中的pcre regex引擎提供递归表达式（即DIV、(?R)、(?1)等），允许将嵌套结构匹配到任意深度（仅受内存限制）。例如，可以很容易地将平衡嵌套圆括号与此表达式匹配：(?2)。如果您有任何疑问，请运行此简单测试：
$text = 'zero(one(two)one(two(three)two)one)zero';
if (preg_match('/\((?:[^()]++|(?R))*+\)/', $text, $matches)) {
print_r($matches);
}
因此，如果我们都同意php regex确实可以匹配嵌套结构，那么让我们继续讨论当前的问题。由于最外层的
'/\((?:[^()]++|(?R))*+\)/'必须具有DIV属性，但任何嵌套的id="content"s可能会或可能不会，所以这个特定的问题就复杂了。因此，我们不能使用递归匹配整个表达式构造，因为匹配外部DIV的子表达式与匹配内部DIV所需的子表达式不同。在这种情况下，我们需要一个捕获组（在本例中为组2），它将用作“递归子例程”。“，它与内部嵌套的DIV匹配。因此这里有一个经过测试的PHP代码片段，它显示了一个高级代码，不适合胆小的人，但完全被注释掉，这样您就可以真正理解它了，regex，它正确匹配（在大多数情况下-见下文），a(?R)havingDIV，它可能本身包含嵌套的DIVs:$re = '% # Match a DIV element having id="content".
<div\b # Start of outer DIV start tag.
[^>]*? # Lazily match up to id attrib.
\bid\s*+=\s*+ # id attribute name and =
([\'"]?+) # $1: Optional quote delimiter.
\bcontent\b # specific ID to be matched.
(?(1)\1) # If open quote, match same closing quote
[^>]*+> # remaining outer DIV start tag.
( # $2: DIV contents. (may be called recursively!)
(?: # Non-capture group for DIV contents alternatives.
# DIV contents option 1: All non-DIV, non-comment stuff...
[^<]++ # One or more non-tag, non-comment characters.
# DIV contents option 2: Start of a non-DIV tag...
| < # Match a "<", but only if it
(?! # is not the beginning of either
/?div\b # a DIV start or end tag,
| !-- # or an HTML comment.
) # Ok, that < was not a DIV or comment.
# DIV contents Option 3: an HTML comment.
| <!--.*?--> # A non-SGML compliant HTML comment.
# DIV contents Option 4: a nested DIV element!
| <div\b[^>]*+> # Inner DIV element start tag.
(?2) # Recurse group 2 as a nested subroutine.
</div\s*> # Inner DIV element end tag.
)*+ # Zero or more of these contents alternatives.
) # End 2$: DIV contents.
</div\s*> # Outer DIV end tag.
%isx';
if (preg_match($re, $text, $matches)) {
printf("Match found:\n%s\n", $matches[0]);
}
正如我所说，这个regex非常复杂，但请放心，它确实有效！除了下面提到的一些不太可能发生的情况外（如果你能找到的话，我会非常感激的）。试试看！
我应该用这个吗？在必须以100%的可靠性和准确性分析成百上千个文档的生产环境中使用此regex解决方案是否合适？当然不是。对于某些HTML文件的有限一次性运行，它是否有用？（例如，可能是问这个问题的人？）可能。这取决于一个人对高级正则表达式的舒适程度。如果上面的regex看起来像是用外语写的（它是），并且/或者吓坏了狄更斯，答案可能是否定的。
有效吗？对。例如，给定以下测试数据，上面的regex正确地选择具有
DIV的id="content"（或针对该问题的DIV或DIV）：<!DOCTYPE HTML SYSTEM>
<html>
<head><title>Test Page</title></head>
<body>
<div id="non-content-div">
<h1>PCRE does recursion!</h1>
<div id='content'>
<h2>First level matched</h2>
<!-- this comment </div> is tricky -->
<div id="one-deep">
<h3>Second level matched</h3>
<div id=two-deep>
<h4>Third level matched</h4>
<div id=three-deep>
<h4>Fourth level matched</h4>
</div>
<p>stuff</p>
</div>
<!-- this comment <div> is tricky -->
<p>stuff</p>
</div>
<p>stuff</p>
</div>
<p>stuff</p>
</div>
<p>stuff</p>
</body></html>
注意：那么，在某些情况下，这个解决方案不起作用？好吧，
id="content"start标记的任何属性中都可能没有任何尖括号（可以去掉这个限制，但这会给代码增加更多的内容）。下面的id='content'跨距包含我们要查找的特定的id=content开始标记（极不可能），将导致regex失败：<style type="text/css">
p:before {
content: 'Unlikely CSS string with <div id=content> in it.';
}
</style>
<p title="Unlikely attribute with a <div id=content> in it">stuff</p>
<script type="text/javascript">
alert("evil script with <div id=content> in it">");
</script>
<!-- Comment with <div id="content"> in it -->
<![CDATA[ a CDATA section with <div id="content"> in it ]]>
我很想了解其他人。
如我之前所说，阅读MRE3，真正了解这里的情况需要对一些先进技术有相当深入的了解。这些技术既不明显也不直观。我只知道一种方法来获得这些技能，那就是坐下来学习：Jeffrey Friedl（MRE3）的。（你会很高兴你这么做的！）
我可以说这是我一生中读过的最有用的书！
干杯！
编辑2013-04-30 Fixed Regex。它以前不允许非-
DIV标记，该标记紧跟在CDATA开始标记之后。
关于php - 使用正则表达式匹配具有特定ID的div block ，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5355452/