Regex 处理草图中的正则表达式帮助？

我是一名初级程序员，试图在处理草图中解析HTML文件。（顺便说一句，如果您不知道如何处理，它将编译为Java并使用相同的正则表达式函数）。我已经使用SimpleML将HTML文件正确地捕获为单个字符串。我试图捕获的数据来自一个表，如下所示：

<th>Name</th>
    <th>John F. Kennedy</th>
    <th>Lyndon Johnson</th>
    <th>Richard Nixon</th>

名称
肯尼迪
林登·约翰逊
理查德·尼克松

等等

我想把候选名字解析成一个数组（去掉“名字”）

所以我先试了一下

    candidates = match(rawString,"<th>.*</th>");

candidates=match（原始字符串，“.”）；

它返回了整个列表

然后我试着

    candidates = match(rawString,"<th>.{1,50}</th>");

candidates=match（rawString，“.{1,50}”）；

只返回

<th>Name</th>

名称

处理文件说明：

如果regexp中有组（由括号集指定），则每个组的内容将在数组中返回。regexp匹配的元素[0]返回整个匹配字符串，匹配组从元素[1]开始（第一个组是[1]，第二个组是[2]，依此类推）

所以现在我一直在尝试各种组和量词的组合，比如：

    candidates = match(rawString,"(<th>.{1,50}</th>)*");

candidates=match（rawString，（.{1,50}）*）；

---

但一定有一些概念性的东西我没有得到，因为什么都不起作用。看起来这应该很容易，对吧？

用正则表达式解析HTML通常不是一个好主意，但在这里您可能会接受它

您的问题似乎是，

*

匹配贪婪，即。E尽可能多的字符，从而匹配字符串中从第一个

到最后一个

的所有内容

让它懒惰，我。E告诉量词尽可能少地匹配是一种解决方案：

<th>.*?</th>

*？

可能会有用

更稳定一点，速度最低：准确地告诉引擎允许匹配的内容，例如：

<th>[^<>]*</th>

[^]*

[^]

表示“除尖括号外的任何字符”

---

如果您试图将嵌套结构与正则表达式匹配，就会遇到问题。它可以用现代的正则表达式来做，但很难做对。将HTML注释和字符串添加到混合中（可能包含您正在匹配的分隔符），您将受到极大的伤害。

如果希望多次匹配表达式，您可能需要使用

matchAll

方法

match

只希望模式匹配一次，因此只返回第一个找到的结果

---

支持反正则表达式和html拥挤这似乎是James遇到的更突出的问题。好吧，我从社区中得到了一种感觉，正则表达式+html=麻烦。那么，有什么更好的方法呢？