Regex-仅在HTML中匹配标记名
如何使用正则表达式检索html代码段中的所有html标记名？如果有必要的话，我会用PHP来做这件事。例如：Regex-仅在HTML中匹配标记名,html,regex,Html,Regex,如何使用正则表达式检索html代码段中的所有html标记名？如果有必要的话，我会用PHP来做这件事。例如： <div id="someid"> <img src="someurl" /> <br /> <p>some content</p> </div> 一些内容 应该返回：div，img，br，p.我想这应该有用。。。我马上就来试试： 编辑：删除了\s+（感谢Peteris） preg
<div id="someid">
<img src="someurl" />
<br />
<p>some content</p>
</div>
一些内容
应该返回：div，img，br，p.我想这应该有用。。。我马上就来试试： 编辑：删除了
\s+preg_match_all（'/]*>/'，$html，$matched_元素）；
# nasty, ugly, illegible, unmaintable — NEVER USE THIS STYLE!!!!
/<\w+(?:\s+\w+=(?:\S+|(['"])(?:(?!\1).)*?\1))*\s*\/?>/s
（？（DEFINE）…）当然，有一个很大的灰色地带，在那里，可能会让位给不可取的，而且比它让位给不可能要快得多。如果这些答案中的这些例子，更不用说当前答案中的这些，超出了您当前的模式匹配技能水平，那么您可能应该使用其他方法，这通常意味着让其他人为您完成 在python中，一种解决方案是使用正则表达式在html中获取所有不同的标记名
my $img_rx = qr{
# save capture in $+{TAG} variable
(?<TAG> (?&image_tag) )
# remainder is pure declaration
(?(DEFINE)
(?<image_tag>
(?&start_tag)
(?&might_white)
(?&attributes)
(?&might_white)
(?&end_tag)
)
(?<attributes>
(?:
(?&might_white)
(?&one_attribute)
) *
)
(?<one_attribute>
\b
(?&legal_attribute)
(?&might_white) = (?&might_white)
(?:
(?"ed_value)
| (?&unquoted_value)
)
)
(?<legal_attribute>
(?: (?&required_attribute)
| (?&optional_attribute)
| (?&standard_attribute)
| (?&event_attribute)
# for LEGAL parse only, comment out next line
| (?&illegal_attribute)
)
)
(?<illegal_attribute> \b \w+ \b )
(?<required_attribute>
alt
| src
)
(?<optional_attribute>
(?&permitted_attribute)
| (?&deprecated_attribute)
)
# NB: The white space in string literals
# below DOES NOT COUNT! It's just
# there for legibility.
(?<permitted_attribute>
height
| is map
| long desc
| use map
| width
)
(?<deprecated_attribute>
align
| border
| hspace
| vspace
)
(?<standard_attribute>
class
| dir
| id
| style
| title
| xml:lang
)
(?<event_attribute>
on abort
| on click
| on dbl click
| on mouse down
| on mouse out
| on key down
| on key press
| on key up
)
(?<unquoted_value>
(?&unwhite_chunk)
)
(?<quoted_value>
(?<quote> ["'] )
(?: (?! \k<quote> ) . ) *
\k<quote>
)
(?<unwhite_chunk>
(?:
# (?! [<>'"] )
(?! > )
\S
) +
)
(?<might_white> \s * )
(?<start_tag>
< (?&might_white)
img
\b
)
(?<end_tag>
(?&html_end_tag)
| (?&xhtml_end_tag)
)
(?<html_end_tag> > )
(?<xhtml_end_tag> / > )
)
}six;
重新导入
s=”“”
一些内容
"""
打印（set（re.findall（'它在上不起作用。修复程序是'/|\s+[^>]*>）/'
。它在上不起作用"/>
@CanSpice:那又怎样？别逼我教你怎么做！另外，除了数据我们还知道什么吗？不。你很可能不知道这些数据，它们可能根本就不是开放式的。@tchrist:所以他应该使用HTML解析器来解析HTML。他应该使用正确的工具来完成这项工作。@CanSpice:我不准备这么说。我告诉过我们e编辑HTML时，在vi
中搜索和替换。如果允许，那么当然应该允许您在HTML上使用模式匹配。如果不允许，那么您不应该允许在这些文件上使用vi
。我承认，HTML是文本复杂的文本，但仍然只是文本。没有任何东西在vi
中编写：//，///s//
是错误的，因此用您选择的编程语言编写等价的代码也没有什么错误。停止在非文本解决方案中强迫新手。我使用/color=“#000000”之类的东西
和：g/tchrist，事实上，如果您有格式良好的XHTML，您上面提到的一次性搜索可能不会成为问题。但是为了获得更健壮的解决方案，我决定使用php的domdocument类作为解析器。没有遇到（？（定义）…）
以前。你知道它是只支持Perl和PCRE，还是有其他支持它的实现吗？（我从谷歌那里没有得到任何有用的东西。）@彼得：是的，这些都是不可能在谷歌上搜索到的东西，因为非字母数字被丢弃了，大小写被忽略了。事情发生时我没有注意到，但我的直觉是Perl是从PCRE获得的，而不是从另一个方向。我不知道还有什么东西支持它。它有很多问题-如果你看一下我的程序，我被迫复制通用子例程定义的内容，因为缺少名称空间控制/巡逻-但它仍然非常酷。
# broken out into related elements grouped by whitespace via /x
/ < \w+ (?: \s+ \w+ = (?: \S+ | (['"]) (?: (?! \1) . ) *? \1 )) * \s* \/? > /xs
/
# start of tag, with named ident
< \w+
# now with unlimited k=v pairs
# where k is \w+
# and v is either \S+ or else quoted
(?: \s+ \w+ = (?: \S+ # either an unquoted value,
| ( ['"] ) # or else first pick either quote
(?:
(?! \1) . # anything that isn't our quote, including brackets
) * ? # maximal should probably work here
\1 # till we see it again
)
) * # as many k=v pairs as we can find
\s * # tolerate closing whitespace
\/ ? # XHTML style close tag
> # finally done
/xs
my $img_rx = qr{
# save capture in $+{TAG} variable
(?<TAG> (?&image_tag) )
# remainder is pure declaration
(?(DEFINE)
(?<image_tag>
(?&start_tag)
(?&might_white)
(?&attributes)
(?&might_white)
(?&end_tag)
)
(?<attributes>
(?:
(?&might_white)
(?&one_attribute)
) *
)
(?<one_attribute>
\b
(?&legal_attribute)
(?&might_white) = (?&might_white)
(?:
(?"ed_value)
| (?&unquoted_value)
)
)
(?<legal_attribute>
(?: (?&required_attribute)
| (?&optional_attribute)
| (?&standard_attribute)
| (?&event_attribute)
# for LEGAL parse only, comment out next line
| (?&illegal_attribute)
)
)
(?<illegal_attribute> \b \w+ \b )
(?<required_attribute>
alt
| src
)
(?<optional_attribute>
(?&permitted_attribute)
| (?&deprecated_attribute)
)
# NB: The white space in string literals
# below DOES NOT COUNT! It's just
# there for legibility.
(?<permitted_attribute>
height
| is map
| long desc
| use map
| width
)
(?<deprecated_attribute>
align
| border
| hspace
| vspace
)
(?<standard_attribute>
class
| dir
| id
| style
| title
| xml:lang
)
(?<event_attribute>
on abort
| on click
| on dbl click
| on mouse down
| on mouse out
| on key down
| on key press
| on key up
)
(?<unquoted_value>
(?&unwhite_chunk)
)
(?<quoted_value>
(?<quote> ["'] )
(?: (?! \k<quote> ) . ) *
\k<quote>
)
(?<unwhite_chunk>
(?:
# (?! [<>'"] )
(?! > )
\S
) +
)
(?<might_white> \s * )
(?<start_tag>
< (?&might_white)
img
\b
)
(?<end_tag>
(?&html_end_tag)
| (?&xhtml_end_tag)
)
(?<html_end_tag> > )
(?<xhtml_end_tag> / > )
)
}six;
import re
s = """<div id="someid">
<img src="someurl" />
<br />
<p>some content</p>
</div>
"""
print(set(re.findall('<(\w+)', s)))
# {'p', 'img', 'div', 'br'}
or
print({i.replace('<', '') for i in re.findall('(<\w+)',s)})
# {'p', 'img', 'div', 'br'}