Regex 全局匹配正则表达式

我有以下perl代码：

# $content is the text of a webpage
while ($content =~ /rgRow.*?<td>(.*?)<\/td><td.*?>(.*?)<\/td><td.*?>(.*?)<\/td><td.*?>.*?<\/td><td.*?>(.*?)<\/td><td.*?><nobr>(.*?)<\/nobr><\/td>/sg) {
   # do stuff
}

我试着用下面这句话来看看它是怎么回事：

while ($content =~ m/rgRow.+?<td>(.+?)<\/td><td>(.+?)<\/td><td>(.+?)<\/td><td>(.+?)<\/td><td>(.+?)<\/td><td>(.+?)<\/td>/gs)

while（$content=~m/rgRow.+？（.+？）（.+？）（.+？）（.+？）（.+？）（.+？）（.+？）（.+？）/gs）

---

原始代码不是我的。

我把这个问题看作是调试旧代码的问题。（不过，请参见末尾的解析器示例。）

报告的问题是正则表达式挂起。对我来说，它在几场比赛后退出，在第一线。我的第一个怀疑是一条松散的新线

/s

修饰符仅使

匹配新行。另一个嫌疑犯是明确匹配的

rgRow

短语——它也是

标记中的一个属性，在

*

下也是匹配的——冲突？最后，正则表达式显式地查找每个单元格，同时也使用

/g

修饰符。作为参考，这是正则表达式，在带有

/sg

修饰符的代码中使用

$patt = qr/rgRow.*? 
    <td>   (.*?)<\/td>
    <td.*?>(.*?)<\/td> 
    <td.*?>(.*?)<\/td> 
    <td.*?> .*? <\/td> 
    <td.*?>(.*?)<\/td> 
    <td.*?> <nobr>(.*?)<\/nobr> <\/td>
/x; 

$patt=qr/rgRow.*？
(.*?)
(.*?) 
(.*?) 
.*?  
(.*?) 
(.*?) 
/x；

一个字符一个字符地挑拣源字符是不愉快的，而且通常也不起作用。我们可以执行以下操作：删除新行，然后将

标记的内容捕获到数组中。正则表达式中所述的目的正是为了实现这一点。（我更改regex分隔符以避免编辑器着色。）

使用警告；
严格使用；
我的$msg='从url中提取'U'；
（my$msg\u nonl=$msg）=~s%\n%%g；
my@raw_cells=$msg_nonl=~|（.*）| g；
#一旦我们做到了这一点：剥离、删除空元素
@cells=grep{！/^\s*$/}map{s%|%%g；$|}@raw_cells；
#也可以获取链接（“查看文档”）
@content=grep{！/是

不要总是依赖于
*？
，而是尽量明确你不想匹配的内容。在这种情况下，这很简单：你匹配的TD从不包含其他标记，因此你可以使用
[^]*
来捕获它们的内容。事实上，你应该在当前使用
*？
的任何地方都使用它

在下面的正则表达式中，我还将NOBR标记设置为可选的，并对其进行了扩展以匹配整个开头的TR标记，这更多是为了可读性

while ($content =~ 
  m!<tr\s+class="rgRow[^<>]*>\s*
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>[^<>]*</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>(?:<nobr>)?([^<>]*)(?:</nobr>)?</td>
  !sxg) {
    # do stuff
}

while（$content=~
m！请显示您正试图解析的HTML。无论如何，regex不是解析HTML的正确工具，为什么不使用HTML解析器呢？小结：不要使用regex解析HTML/XML，请使用适当的解析器。同意上面的说法，但如果您这一次需要这样做，那么使用
qr
打破这种讨厌的排列方式如何？这样做会容易得多看看。我更喜欢一些关于上面的正则表达式如何可能会导致“灾难性回溯”的答案/评论。至于我，我看不清楚它到底在做什么。至于我的评论，它是有建设性的：如果通过
qr
分解它，就更容易看到它的结构，然后可能会注意到它可以在哪里但是，出于善意（请不要冒犯）：我对
HTML:：TableExtract；
有很好的经验。
use warnings;
use strict;

my $msg = 'pulled_from_url';
(my $msg_nonl = $msg) =~ s%\n%%g;

my @raw_cells = $msg_nonl =~ |<td.*?>(.*?)<\/td>|g;

# Once we are at it: strip <nobr>, &nbsp;, drop empty elements
@cells = grep { !/^\s*$/ } map {  s%<\/?nobr>|&nbsp;%%g; $_ } @raw_cells;
# Get links ("View Document") out as well
@content = grep  {  !/<a.*?\/a>/ } @cells;
print "Total of " . scalar(@raw_cells) . " cells. ";
print "Cleaned up, down to " . scalar(@content) . " cells.\n";
print "$_\n" for @content;

Total of 280 cells. Cleaned up, down to 82 cells.
CONSIDERATION OF REPORTS SUBMITTED BY ... DUE IN 1974 / MOROCCO
State party's report
...
21 Feb 1974
...
True
CONSIDERATION OF REPORTS SUBMITTED BY ... DUE IN 1972 / MOROCCO
State party's report
...
17 Jan 1972
...
True
use HTML::TableExtract;   
my $te = HTML::TableExtract->new( keep_html => 1 );
$te->parse( "<table> " . $msg . "</table>" );
# We have one table, use top-level 'rows()' shorthand method
foreach my $row ($te->rows) {
    print join(',', @$row), "\n";
}

while ($content =~ 
  m!<tr\s+class="rgRow[^<>]*>\s*
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>[^<>]*</td>
    <td[^<>]*>([^<>]*)</td>
    <td[^<>]*>(?:<nobr>)?([^<>]*)(?:</nobr>)?</td>
  !sxg) {
    # do stuff
}