HTML 正则表达式

正则表达式在 HTML 开发中非常重要，可以帮助我们快速有效地解析 HTML 文档，提取所需要的信息以及进行替换操作等。在本文中，我们将学习正则表达式的基础知识以及如何在 HTML 中应用它们。

正则表达式基础

正则表达式是一种用于匹配字符串的文本模式，通常由普通字符和特殊字符（例如元字符）组成。以下是常见的元字符及其含义：

.：匹配除换行符以外的任意字符。
*：匹配零个或多个在其之前的字符。
+：匹配一个或多个在其之前的字符。
?：匹配零个或一个在其之前的字符。
()：表示一个子表达式，通常用于提取匹配的内容。
|：表示“或”，匹配位于竖线两侧的任意字符。
[]：表示一个字符集合，匹配其中包含的任意一个字符。
[^]：表示一个否定字符集合，匹配其中未包含的任意一个字符。
\：用于转义元字符，例如 \. 表示匹配一个点。

例如，正则表达式 a.*c 将匹配任意多个字符，直到其遇到首尾字符为 a 和 c 的字符串：

<a href="#">abc</a>

在 Python 中，我们可以使用 re 模块来操作正则表达式：

import re

html = '<a href="#">abc</a>'
pattern = 'a.*c'
result = re.findall(pattern, html)
print(result)  # ['abc']

HTML 正则表达式用法

在编写 HTML 正则表达式时，我们通常根据所需的匹配方式来选择合适的元字符。以下是一些在 HTML 中常用的正则表达式：

匹配标签

在 HTML 中，标签的格式为 <tagname> ... </tagname>，其中 tagname 表示标签名称。为了匹配标签，我们可以使用 re.search() 函数配合 .* 元字符来实现：

html = '<div class="article">Hello World!</div>'
pattern = '<.*?>'  # 匹配任意字符，直到到一个 “>” 符号为止
result = re.search(pattern, html).group()
print(result)  # '<div>'

此处需要注意的是，.* 默认是贪婪匹配，会尽可能多地匹配到字符，因此我们需要在其后面添加问号 ?，使其变成非贪婪匹配模式。

匹配属性

在 HTML 标签中，每个标签通常都有属性，例如 <div class="article"> 中的 class 就是一个属性。为了匹配属性，我们可以在 tagname 后面加上 \s.* 元字符，然后使用类似 .*? 的方式匹配属性内容：

html = '<div class="article">Hello World!</div>'
pattern = '<div.*?class="(.*?)".*?>'
result = re.search(pattern, html).group(1)
print(result)  # 'article'

在上面的正则表达式中，我们使用了一对圆括号 ()，表示一个子表达式，用于提取属性的值作为匹配结果。

匹配正文

在 HTML 标签中，除了标签名和属性外，还有一部分是标签包含的正文内容。为了匹配正文，我们可以使用 .* 元字符，但要注意排除标签的影响：

html = '<div class="article">Hello World!</div>'
pattern = '<div.*?>(.*?)</div>'
result = re.search(pattern, html).group(1)
print(result)  # 'Hello World!'

在上面的正则表达式中，我们使用了一对圆括号 ()，表示一个子表达式，用于提取标签内的正文内容作为匹配结果。

匹配链接

在 HTML 中，经常会包含链接标签 <a>，其格式为 <a href="url">text</a>，其中 href 表示链接地址，text 表示链接文本。为了匹配链接，我们可以使用类似匹配属性的方法，但需要注意文本内容的匹配：

html = '<a href="https://www.baidu.com">百度一下，你就知道</a>'
pattern = '<a href="(.*?)">(.*?)</a>'
result = re.search(pattern, html).groups()
print(result)  # ('https://www.baidu.com', '百度一下，你就知道')

在上面的正则表达式中，我们使用了两个圆括号 ()，分别用于提取链接地址和文本内容作为匹配结果。