KK的技術(shù)人生

以前寫過一篇文章講解如何使用正則表達式完美解決Html嵌套標簽的匹配問題（使用正則表達式匹配嵌套Html標簽），但是里頭用到了平衡組這樣的高級特性，貌似只有DotNet還有Perl正則引擎支持，因此通用性不高。有朋友留言說Java直接使用的話會報錯。我后來查了一下，發(fā)現(xiàn)Java正則引擎支持的特性相對比較少。在1.6版本中不能使用命名組（貌似1.7的時候開始支持了），否則會報以下錯誤，更別說平衡組了。因此感覺要實現(xiàn)無限級的嵌套匹配不大現(xiàn)實。

java.util.regex.PatternSyntaxException: Look-behind group does not have an obvious maximum length near index XX

在網(wǎng)上搜了好久也沒找到完美的解決方案。不過，我們可以實現(xiàn)有限級Html嵌套標簽匹配。思路相對于無限級來說就簡單了好多，不需要那么多高級的特性。

示例：

<div id='container'>
    <div style='background-color:gray;' id='footer'>
        <a id='gotop' href='#' onclick='MGJS.goTop();return false;'>Top</a>
        <a id='powered' >WordPress</a>
        <div id='copyright'>
            Copyright &copy; 2009 簡單生活 —— Kevin Yang的博客
         </div>
        <div id='themeinfo'>
            Theme by <a >mg12</a>. Valid <a >XHTML 1.1</a>
            and <a >CSS 3</a>.
        </div>
    </div>
</div>

在上面這個示例中，我們打算匹配id為footer的這個嵌套div，而且假設(shè)我們預先知道footer這個div里面最多只會嵌套一級div。更多級的情況我們一會兒再講。

footer的開始和結(jié)束標簽匹配很簡單：

<div [^>]*id='footer'[^>]*>......(這里的省略號是一會要填寫的)</div>

夾在開始和結(jié)束標簽之間的內(nèi)容無非有兩種情況：

• 內(nèi)容A: div標簽，并且此div內(nèi)無嵌套div
• 內(nèi)容B: 任意其他內(nèi)容

然后就是這兩種內(nèi)容的不斷重復而已。正則表示如下：

(<div[^>]*>.*?</div>|.)*?

注意最后面的問號必須要加上，否則由于正則的貪婪匹配特性，footer的閉合標簽會匹配失誤。

OK了，匹配最多嵌套一級div的正則表達式如下：

<div [^>]*id='footer'[^>]*>(<div[^>]*>.*?</div>|.)*?</div>

那么如果footer標簽里頭最多會嵌套兩級div的話怎么辦呢？

其實也不難，我們只需要把上面的“內(nèi)容A”部分中的點號稍作替換即可。修改如下：

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>

到這里你可能就知道，如果要匹配最多嵌套三級div的話，正則應該怎么寫了：

<div [^>]*id='footer'[^>]*>(<div[^>]*>(<div[^>]*>(<div[^>]*>.*?</div>|.)*?</div>|.)*?</div>|.)*?</div>

所以實際上，只要你的html結(jié)構(gòu)不是特別復雜的話，也就是說嵌套不會很深的話，那么你完全可以使用這種方式來匹配嵌套html標簽。

這個正則在Java和Javascript中都可以使用，因為它沒有用到任何高級特性。

——Kevin Yang