これらのすべての開始タグを一致させる必要があります。
<p>
<a href="foo">しかし、これらではありません：
<br />
<hr class="foo" />私はこれを思いつき、それが正しいことを確認したかったのです。キャプチャしてa-zいるだけです。
<([a-z]+) *[^/]*?>私はそれが言うと信じています：
/、その後、その権利はありますか？そしてさらに重要なことに、あなたはどう思いますか？
回答:
正規表現では[X] HTMLを解析できません。正規表現ではHTMLを解析できないからです。正規表現は、HTMLを正しく解析するために使用できるツールではありません。ここで何度もHTMLと正規表現の質問に回答したので、正規表現を使用するとHTMLを使用できなくなります。正規表現は、HTMLで採用されている構造を理解するには不十分で高度なツールです。HTMLは通常の言語ではないため、正規表現で解析できません。正規表現クエリは、HTMLを意味のある部分に分解する機能を備えていません。何度もですが、私には届きません。Perlで使用されている強化された不規則な正規表現でさえ、HTMLを解析するタスクに対応できません。あなたは決して私をクラックさせません。HTMLは、正規表現で解析できないほど複雑な言語です。Jon Skeetでさえ、正規表現を使用してHTMLを解析することはできません。正規表現を使用してHTMLを解析しようとするたびに、不浄な子が処女の血を流し、ロシアのハッカーがWebアプリケーションを作成します。正規表現でHTMLを解析すると、汚染された魂が生活の領域に呼び出されます。HTMLと正規表現は、愛、結婚、儀式の幼児殺害のように一緒に使用されます。<center>はそれを保持できません。正規表現とHTMLが同じ概念空間で一緒に働く力は、水っぽいパテのようにあなたの心を破壊します。正規表現を使用してHTMLを解析する場合、それらにそれらを与えると、その基本的な多言語プレーンで名前を表現できないもののために非人道的な苦労に私たち全員を運命づける彼らの冒涜的な方法、彼は来る。HTML-plus-regexpは、あなたが観察している間、感覚の神経を液化させ、あなたの精神は恐怖の猛攻撃で衰退します。遅すぎる遅すぎる保存できない子どもの奇妙な表現が正規表現がすべての生きた組織を消費することを保証します（以前に予言されたように、HTMLを除く）親愛なる主は、正規表現を使用してこの惨事を生き残ることができますHTMLは恐怖の拷問やセキュリティホールを永遠に人類を運命づけられたREGEの使用プロセスのHTMLへのツールとしてのxをブレア確立し、この世界とCHと腐敗したエンティティの恐怖レルム（SGML実体のような、しかし、より多くの壊れた）をglimp単なる SEのをREGの世界HTMLのためのexパーサはイン意志 tantly輸送のAP rogrammerの意識が私 NTO AW ORL叫ん不断のD、彼が来ます、pestilent SL ithy正規表現感染WIL あなたHT食い入るリットルのすべての時間のためのMLパーサ、アプリケーションと存在Visual Basicが唯一の悪いことのように彼は彼コム来る ES 致しませんFiの GHT時間Eくる、HIの不道徳な輝きデstro҉yingすべての啓発、HTMLタグが漏れるfr̶ǫmYO URの目のようなLIQ UIDのp AIN、再定期EXPの歌ssionの解析が extiますMORのnguish声SPからTAL男を、私はそれはあなたが見ることができる見ることができ、ここでそれは美しいトンである彼は、F inal snufFING O F嘘の男ALL IS LOST Aの LL I SL第OST eは、彼が来るポニー彼は、COMのを、彼は共同ES 私のトンを、彼 ICHまたはpermeat ESアルリットルMY FAC E MY FACEᵒh神のn O NO NOO O ON Θストップトン彼*̶͑̾̾GL ES ͎a̧͈͖r̽̾̈́͒͑eN OTを本当のZA̡͊͠͝LGΌISͮ҉̯͈͕̹̘T O͇̹̺Ɲ̴ȳ̳TH E PO NYH̸̡̪̯ͨ͊̽̅̾Ȩ̶̧̨̬̩̹̭̯̾͛ͪ̈ͧ̾ͬ͘C̷̙̝͖ͭ̏ͥͮ͟Oͮ͏̮̪̝͍M̖͊̒ͪͩͬ̚̚͜Ȇ̴̟̟͙̞ͩ͌͝ S
代わりにXMLパーサーを使用してみましたか？
モデレーターのメモ
この投稿は、コンテンツへの不適切な編集を防ぐためにロックされています。投稿は見た目とまったく同じように見えます-その内容に問題はありません。注意のためにフラグを立てないでください。
一方で、任意の HTMLのみ正規表現は不可能であると、時には解析するためにそれらを使用するために、適切なだ限られ、知られている HTMLのセットを。
データをスクレイピングしてからデータベースに挿入するHTMLページの小さなセットがある場合、正規表現は正常に機能する可能性があります。たとえば、最近、私は議会のWebサイトから取得したオーストラリア連邦代表の名前、政党、および地区を取得したいと考えていました。これは限られた1回限りの仕事でした。
Regexesは私には問題なく動作し、セットアップも非常に高速でした。
&foo;エンコーディングとCDATAセクションの切り替え？HTML縮小機能を使用して、ブラウザーがレンダリングしないドキュメント内のすべての空白を削除しますか？XMLパーサーは気にせず、適切に記述されたXPathステートメントも気にしません。一方で、正規表現ベースの「パーサー」...
<font>等でした：DOMをナビゲートするのに役立つクラスまたはIDはありません。「正しい」アプローチで1日戦った後、私はようやく正規表現ソリューションに切り替え、1時間で動作しました。
ここでの欠点は、HTMLがチョムスキータイプ2文法（文脈自由文法）であり、RegExがチョムスキータイプ3文法（標準文法）であることです。タイプ2の文法はタイプ3の文法よりも根本的に複雑であるため（チョムスキー階層を参照）、RegExでXMLを解析することは数学的に不可能です。
しかし、多くの人は試してみますが、中には成功を主張する人もいますが、他の人が間違いを見つけて完全に混乱させるまでは。
A -> s A e）他の要素の開始タグと終了タグの間に要素がある可能性です。（X）HTMLの開始タグ内にこのプロパティはありません。開始タグに他の開始タグを含めることはできません。OPが解析しようとしているサブセットはCFGではありません。
これらの人に耳を傾けないでください。タスクを細かく分割すると、完全に正規表現を使用してコンテキストフリーの文法を解析できます。これらを順番に実行するスクリプトを使用して、正しいパターンを生成できます。
私は最後の部分を自分で完成させたわけではありませんが、近づいていることはわかっています。投げ続けますCthulhuRlyehWgahnaglFhtagnException何らかの理由でsをので、VB 6に移植して使用しますOn Error Resume Next。壁に開いたばかりのこの奇妙なドアを調査したら、コードを更新します。うーん。
PS Pierre de Fermatもその方法を理解しましたが、彼が書いていたマージンはコードに対して十分な大きさではありませんでした。
免責事項：オプションがある場合は、パーサーを使用してください。それは言った...
これは、HTMLタグの照合に使用する正規表現（！）です。
<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+>完璧ではないかもしれませんが、私はこのコードを多くのHTMLで実行しました。それは次のような奇妙なものもキャッチすることに注意してください<a name="badgenerator"">Webに表示されるの。
自己完結型のタグと一致しないようにするには、Kobiの否定的な後読みを使用することもできます。
<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+(?<!/\s*)>または、そうでない場合は単に組み合わせる。
反対投票者へ：これは実際の製品からの作業コードです。このページを読んでいる人が、HTMLで正規表現を使用することは社会的に受け入れられるという印象を受けるとは思えません。
警告：この正規表現は、CDATAブロック、コメント、スクリプトおよびスタイル要素が存在する場合でも機能しないことに注意してください。良いニュースは、正規表現を使用してそれらを取り除くことができるということです...
<!doctype html><title><</title>。シンプルながら'<!doctype html><title><</title>'.match(/<(?:"[^"]*"['"]*|'[^']*'['"]*|[^'">])+>/g)戻ります。["<!doctype html>", "<title>", "<</title>"]["<title>", "</title>"]
地球が丸い（またはおそらく奇妙な言葉を使いたければ地球は扁平な回転楕円体である）とあなたに告げる人々がいます。彼らは嘘をついている。
正規表現は再帰的であってはならないことを教えてくれる人がいます。彼らはあなたを制限しています。彼らはあなたを征服する必要があり、彼らはあなたを無知に保つことによってそれを行います。
あなたは彼らの現実の中で生きるか、赤い錠剤を飲むことができます。
Lord Marshalと同様に（彼はMarshal .NETクラスの親類ですか？）、Underverse Stack Based Regex-Verseを見て、想像もできないような力の知識で戻ってきました。はい、彼らを守るオールドワンか2人がいたと思いますが、彼らはテレビでフットボールを見ていましたので、難しくありませんでした。
XMLのケースは非常に単純だと思います。（.NET構文の）RegExは、base64でデフレートおよびコード化されて、弱い心で理解しやすくするために、次のようになります。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設定するオプションはRegexOptions.ExplicitCaptureです。あなたが探しているキャプチャグループはELEMENTNAMEです。キャプチャグループERRORが空でない場合、解析エラーが発生し、正規表現が停止しました。
人間が読める形式の正規表現に再変換するときに問題が発生した場合は、次のようにしてください。
static string FromBase64(string str)
{
byte[] byteArray = Convert.FromBase64String(str);
using (var msIn = new MemoryStream(byteArray))
using (var msOut = new MemoryStream()) {
using (var ds = new DeflateStream(msIn, CompressionMode.Decompress)) {
ds.CopyTo(msOut);
}
return Encoding.UTF8.GetString(msOut.ToArray());
}
}わからない場合は、いいえ、冗談ではありません（しかし、私はうそをついています）。それが動作します。私はそれをテストするためにたくさんの単体テストを構築しました、そして私は適合テスト（の一部）さえ使用しました。これはトークナイザーであり、本格的なパーサーではないため、XMLをコンポーネントトークンに分割するだけです。DTDを解析/統合しません。
ああ...あなたが正規表現のソースコードが必要な場合、いくつかの補助的な方法があります：
XML、特にHTMLを解析するための適切なツールに同意しますはパーサーであり、正規表現エンジンではない。ただし、他の人が指摘したように、正規表現を使用する方が速くて簡単で、データ形式がわかっている場合は作業が完了することがあります。
マイクロソフトには、実際には.NET Frameworkの正規表現のベストプラクティスのセクションがあり、特に入力ソースの検討について説明しています。。
正規表現には制限がありますが、次のことを考慮しましたか？
.NETフレームワークは、正規表現に関しては、バランスグループ定義をサポートするという点で独特です。
このため、正規表現を使用してXMLを解析できると思います。ただし、有効なXMLでなければならないことに注意してください（ブラウザーはHTMLを非常に許容し、HTML内での不正なXML構文を許可します）。これは、「バランスグループの定義」により、正規表現エンジンがPDAとして機能できるようになるためです。
上記の記事1からの引用：
.NET正規表現エンジン
上記のように、適切にバランスの取れた構造は正規表現では記述できません。ただし、.NET正規表現エンジンは、バランスのとれた構成を認識できるようにするいくつかの構成を提供します。
(?<group>)-キャプチャした結果をグループという名前でキャプチャスタックにプッシュします。(?<-group>)-キャプチャスタックから、名前グループを含む最上位のキャプチャをポップします。(?(group)yes|no)-groupという名前のグループが存在する場合は、yes部分に一致します。それ以外の場合は、どの部分にも一致しません。これらの構成体を使用すると、プッシュ、ポップ、空のスタック操作の単純なバージョンを基本的に許可することで、.NET正規表現で制限付きPDAをエミュレートできます。単純な操作は、インクリメント、デクリメント、およびゼロとの比較にそれぞれ相当します。これにより、.NET正規表現エンジンはコンテキストフリー言語のサブセット、特に単純なカウンターのみを必要とするものを認識することができます。これにより、従来とは異なる.NET正規表現で、適切にバランスのとれた個々の構成を認識することができます。
次の正規表現について考えてみます。
(?=<ul\s+id="matchMe"\s+type="square"\s*>)
(?>
<!-- .*? --> |
<[^>]*/> |
(?<opentag><(?!/)[^>]*[^/]>) |
(?<-opentag></[^>]*[^/]>) |
[^<>]*
)*
(?(opentag)(?!))フラグを使用します。
(?=<ul\s+id="matchMe"\s+type="square"\s*>) # match start with <ul id="matchMe"...
(?> # atomic group / don't backtrack (faster)
<!-- .*? --> | # match xml / html comment
<[^>]*/> | # self closing tag
(?<opentag><(?!/)[^>]*[^/]>) | # push opening xml tag
(?<-opentag></[^>]*[^/]>) | # pop closing xml tag
[^<>]* # something between tags
)* # match as many xml tags as possible
(?(opentag)(?!)) # ensure no 'opentag' groups are on stackA Better .NET正規表現テスターでこれを試すことができます。
私は次のサンプルソースを使用しました：
<html>
<body>
<div>
<br />
<ul id="matchMe" type="square">
<li>stuff...</li>
<li>more stuff</li>
<li>
<div>
<span>still more</span>
<ul>
<li>Another >ul<, oh my!</li>
<li>...</li>
</ul>
</div>
</li>
</ul>
</div>
</body>
</html>これは一致を見つけました：
<ul id="matchMe" type="square">
<li>stuff...</li>
<li>more stuff</li>
<li>
<div>
<span>still more</span>
<ul>
<li>Another >ul<, oh my!</li>
<li>...</li>
</ul>
</div>
</li>
</ul>実際には次のように出てきましたが：
<ul id="matchMe" type="square"> <li>stuff...</li> <li>more stuff</li> <li> <div> <span>still more</span> <ul> <li>Another >ul<, oh my!</li> <li>...</li> </ul> </div> </li> </ul>最後に、Jeff Atwoodの記事「Parsing Html The Cthulhu Way」を本当に楽しんだ 。面白いことに、この質問への回答は現在4千票を超えています。
System.TextC＃の一部ではありません。.NETの一部です。
(?=<ul\s*id="matchMe"\s*type="square"\s*>) # match start with <ul id="matchMe"...）、「<UL」と「ID」の間にあるべき\s+ではない\s*）。あなたはそれが<ULID = ...と一致する場合を除き、
\s+です\s*。式はの代わりに持つ必要があります。
<img src="images/pic.jpg" />
/は、<img src="images/pic.jpg" />html で失敗した内部のどこかにある自己終了タグで失敗しました。
正規表現でHTMLを解析できないという答えは正しいですが、ここでは当てはまりません。OPは、正規表現を使用して1つのHTMLタグを解析したいだけであり、これは正規表現で実行できるものです。
しかし、提案された正規表現は間違っています：
<([a-z]+) *[^/]*?>正規表現に何かを追加した場合、バックトラックにより<a >>、のようなばかげたものに一致させることができますが、[^/]許容範囲が広すぎます。<space>*[^/]*は[^/]*スペースにも一致する可能性があるため、冗長であることにも注意してください。
私の提案は
<([a-z]+)[^>]*(?<!/)>どこ (?<! ... )（Perl正規表現では）否定的な後読みはありますか。これは、「<、次に単語、>以外のもの、最後が/でない可能性があり、>が続く」と読みます。
これは<a/ >（元の正規表現と同じように）のようなものを許可するため、より制限的なものが必要な場合は、スペースで区切られた属性ペアに一致する正規表現を作成する必要があります。
>文字が含まれている場合も、正しく機能しません。OPが提案することは正規表現を使用して実行できることに同意しますが、ここで紹介するものは単純化しすぎています。
試してください：
<([^\s]+)(\s[^>]*?)?(?<!/)>それはあなたのものに似ていますが、最後>はスラッシュの後にある必要はなく、も受け入れますh1。
>シンボルが適切に＆gt;にエスケープされていると思いました。
>属性値で有効です。実際、「正規のXML」シリアル化では、を使用してはなりません>。（>属性値がまったく珍しいものではないことを強調する場合を除いて、これは完全に関連しているわけではありません。）
<div title="this tag is a <div></div>">hello</div>
古代中国の戦略家であり、将軍であり哲学者でもある孫子は、次のように述べています。
敵を知り、自分を知っていれば、1回も負けずに100勝することができると言われています。自分だけを知っていて、相手を知らない場合は、勝つか負けるかもしれません。自分も敵も知らなければ、常に自分を危険にさらすことになります。
この場合、あなたの敵はHTMLであり、あなたはあなた自身か正規表現です。あなたは不規則な正規表現を持つPerlかもしれません。HTMLを知っている。あなた自身を知っています。
HTMLの性質を説明する俳句を作成しました。
HTML has
complexity exceeding
regular language.Perlの正規表現の性質を説明する俳句も作成しました。
The regex you seek
is defined within the phrase
<([a-zA-Z]+)(?:[^>]*[^/]*)?><?php
$selfClosing = explode(',', 'area,base,basefont,br,col,frame,hr,img,input,isindex,link,meta,param,embed');
$html = '
<p><a href="#">foo</a></p>
<hr/>
<br/>
<div>name</div>';
$dom = new DOMDocument();
$dom->loadHTML($html);
$els = $dom->getElementsByTagName('*');
foreach ( $els as $el ) {
$nodeName = strtolower($el->nodeName);
if ( !in_array( $nodeName, $selfClosing ) ) {
var_dump( $nodeName );
}
}出力：
string(4) "html"
string(4) "body"
string(1) "p"
string(1) "a"
string(3) "div"基本的には、自己終了する要素ノード名を定義し、HTML文字列全体をDOMライブラリーにロードし、すべての要素を取得し、ループして、自己終了していない要素をフィルターで除外して操作します。
この目的のために正規表現を使用すべきではないことは、すでにご存じだと思います。
NSて名前空間を指定します。
これの正確な必要性はわかりませんが、.NETも使用している場合は、Html Agility Packを使用できませんでしたか？
抜粋：
これは、「Web外」のHTMLファイルを解析できる.NETコードライブラリです。パーサーは、「実世界」の不正なHTMLに対して非常に耐性があります。
W3Cは、疑似正規表現形式での解析について説明しています：
W3Cリンク
以下のためのVaRのリンクをたどりQName、SとAttribute鮮明な画像を取得します。
これに基づいて、タグの除去などを処理するかなり優れた正規表現を作成できます。
PHPでこれが必要な場合：
PHPのDOM 関数は、それが適切にXMLにフォーマットされていない限り、正常に動作しません。他の人類にとって、それらの使用がどれほど優れていても。
simplehtmldomは良いですが、少しバグがあり、かなりメモリが重いです[大きなページでクラッシュします]。
私は使ったことがないquerypathをので、その有用性についてコメントすることはできません。
もう1つ試してみると、DOMParserはリソースが非常に少なくて、しばらくの間ずっと楽しく使用しています。学ぶのが簡単で強力です。
PythonとJavaの場合、同様のリンクが投稿されました。
不賛成者のために-私は、XMLパーサーが実際の使用に耐えられないことが判明したときにのみ、クラスを作成しました。宗教的な反対投票は、有用な回答が投稿されないようにするだけです。質問の観点から物事を守ってください。
これが解決策です：
<?php
// here's the pattern:
$pattern = '/<(\w+)(\s+(\w+)\s*\=\s*(\'|")(.*?)\\4\s*)*\s*(\/>|>)/';
// a string to parse:
$string = 'Hello, try clicking <a href="#paragraph">here</a>
<br/>and check out.<hr />
<h2>title</h2>
<a name ="paragraph" rel= "I\'m an anchor"></a>
Fine, <span title=\'highlight the "punch"\'>thanks<span>.
<div class = "clear"></div>
<br>';
// let's get the occurrences:
preg_match_all($pattern, $string, $matches, PREG_PATTERN_ORDER);
// print the result:
print_r($matches[0]);
?>深くテストするために、次のような文字列の自動終了タグを入力しました。
次のタグも入力しました：
上記の概念実証で機能しないものが見つかった場合は、コードを分析してスキルを向上させることができます。
<編集> ユーザーからの質問が自己終了タグの解析を回避することであることを忘れていました。この場合、パターンはより単純になり、次のようになります。
$pattern = '/<(\w+)(\s+(\w+)\s*\=\s*(\'|")(.*?)\\4\s*)*\s*>/';ユーザー@ridgerunnerは、パターンが引用符で囲まれていない属性または値のない属性を許可しないことに気づきました。この場合、微調整により次のパターンが得られます。
$pattern = '/<(\w+)(\s+(\w+)(\s*\=\s*(\'|"|)(.*?)\\5\s*)?)*\s*>/';</編集>
誰かがパターンについてもっと学びたいと思っているなら、私はいくつかの行を提供します：
小さなヒント：このコードをよりよく分析するには、HTML特殊文字をエスケープしないので、生成されたソースコードを確認する必要があります。
<option selected>。また、引用符で囲まれていない属性値を持つ有効なタグとは一致しません<p id=10>。
< a href="http://wtf.org" >正当だと確信していますが、一致していません。
HTMLドキュメントから何かをすばやく抽出する必要があるときはいつでも、Tidyを使用してそれをXMLに変換し、次にXPathまたはXSLTを使用して必要なものを取得します。あなたの場合、このようなもの：
//p/a[@href='foo']以前、HTMLParserというオープンソースツールを使用していました。さまざまな方法でHTMLを解析するように設計されており、目的を十分に果たします。HTMLを異なるツリーノードとして解析でき、そのAPIを使用してノードから属性を簡単に取得できます。それをチェックして、これがあなたを助けることができるかどうか見てください。
正規表現を使用してHTMLを解析するのが好きです。故意に破壊されたばかHTMLを解析しようとはしません。このコードは私のメインパーサー（Perlエディション）です。
$_ = join "",<STDIN>; tr/\n\r \t/ /s; s/</\n</g; s/>/>\n/g; s/\n ?\n/\n/g;
s/^ ?\n//s; s/ $//s; printこれはhtmlsplitと呼ばれ、HTMLを行に分割し、各行に1つのタグまたはテキストのチャンクを付けます。この行は、grep、sed、Perl などの他のテキストツールやスクリプトでさらに処理できます。冗談でもありません:)楽しんでください。
巨大なWebページを処理したい場合は、簡単な操作で、私はslurp-everything-first Perlスクリプトを素晴らしいストリーミングのものに変更できます。しかし、それは本当に必要ではありません。
私はこれに反対票を投じるに違いない。
私の期待に反して、これはいくつかの賛成票を得たので、いくつかのより良い正規表現を提案します：
/(<.*?>|[^<]+)\s*/g # get tags and text
/(\w+)="(.*?)"/g # get attibutesXML / XHTMLに適しています。
わずかなバリエーションで、乱雑なHTMLに対応できます...または、最初にHTML-> XHTMLに変換します。
正規表現を書くための最良の方法は、不透明な1行やコメント付きの複数行の怪物ではなく、Lex / Yaccスタイルです。ここではまだそれをしていません。これらはほとんど必要ありません。
/(\w+)="(.*?)"/は二重引用符を想定しています。単一引用符で囲まれた値は欠落します。HTMLバージョン4以前では、単純な単語の場合、引用符で囲まれていない値を使用できます。
/(\w+)="(.*?)"/は、属性内の属性のように見えるテキストに誤って一致する場合があります<img title="Nope down='up' for aussies" src="..." />。グローバルに適用すると、通常のテキストやhtmlコメントのようなものにも一致します。
これは、不敬な正規表現を使用してHTMLを解析するPHPベースのパーサーです。このプロジェクトの作成者として、正規表現を使用してHTMLを解析することは可能ですが、効率的ではないと言えるでしょう。サーバーサイドソリューションが必要な場合（私のwp-Typography WordPressプラグインで行ったように）、これは機能します。
HTMLをBBCodeに置き換えるための素晴らしい正規表現がいくつかあります。言い分を言わないすべての人にとって、彼はHTMLを完全に解析するのではなく、それをサニタイズしようとしていることに注意してください。彼はおそらく、彼の単純な「パーサー」が理解できないタグを削除する余裕があります。
例えば：
$store =~ s/http:/http:\/\//gi;
$store =~ s/https:/https:\/\//gi;
$baseurl = $store;
if (!$query->param("ascii")) {
$html =~ s/\s\s+/\n/gi;
$html =~ s/<pre(.*?)>(.*?)<\/pre>/\[code]$2\[\/code]/sgmi;
}
$html =~ s/\n//gi;
$html =~ s/\r\r//gi;
$html =~ s/$baseurl//gi;
$html =~ s/<h[1-7](.*?)>(.*?)<\/h[1-7]>/\n\[b]$2\[\/b]\n/sgmi;
$html =~ s/<p>/\n\n/gi;
$html =~ s/<br(.*?)>/\n/gi;
$html =~ s/<textarea(.*?)>(.*?)<\/textarea>/\[code]$2\[\/code]/sgmi;
$html =~ s/<b>(.*?)<\/b>/\[b]$1\[\/b]/gi;
$html =~ s/<i>(.*?)<\/i>/\[i]$1\[\/i]/gi;
$html =~ s/<u>(.*?)<\/u>/\[u]$1\[\/u]/gi;
$html =~ s/<em>(.*?)<\/em>/\[i]$1\[\/i]/gi;
$html =~ s/<strong>(.*?)<\/strong>/\[b]$1\[\/b]/gi;
$html =~ s/<cite>(.*?)<\/cite>/\[i]$1\[\/i]/gi;
$html =~ s/<font color="(.*?)">(.*?)<\/font>/\[color=$1]$2\[\/color]/sgmi;
$html =~ s/<font color=(.*?)>(.*?)<\/font>/\[color=$1]$2\[\/color]/sgmi;
$html =~ s/<link(.*?)>//gi;
$html =~ s/<li(.*?)>(.*?)<\/li>/\[\*]$2/gi;
$html =~ s/<ul(.*?)>/\[list]/gi;
$html =~ s/<\/ul>/\[\/list]/gi;
$html =~ s/<div>/\n/gi;
$html =~ s/<\/div>/\n/gi;
$html =~ s/<td(.*?)>/ /gi;
$html =~ s/<tr(.*?)>/\n/gi;
$html =~ s/<img(.*?)src="(.*?)"(.*?)>/\[img]$baseurl\/$2\[\/img]/gi;
$html =~ s/<a(.*?)href="(.*?)"(.*?)>(.*?)<\/a>/\[url=$baseurl\/$2]$4\[\/url]/gi;
$html =~ s/\[url=$baseurl\/http:\/\/(.*?)](.*?)\[\/url]/\[url=http:\/\/$1]$2\[\/url]/gi;
$html =~ s/\[img]$baseurl\/http:\/\/(.*?)\[\/img]/\[img]http:\/\/$1\[\/img]/gi;
$html =~ s/<head>(.*?)<\/head>//sgmi;
$html =~ s/<object>(.*?)<\/object>//sgmi;
$html =~ s/<script(.*?)>(.*?)<\/script>//sgmi;
$html =~ s/<style(.*?)>(.*?)<\/style>//sgmi;
$html =~ s/<title>(.*?)<\/title>//sgmi;
$html =~ s/<!--(.*?)-->/\n/sgmi;
$html =~ s/\/\//\//gi;
$html =~ s/http:\//http:\/\//gi;
$html =~ s/https:\//https:\/\//gi;
$html =~ s/<(?:[^>'"]*|(['"]).*?\1)*>//gsi;
$html =~ s/\r\r//gi;
$html =~ s/\[img]\//\[img]/gi;
$html =~ s/\[url=\//\[url=/gi;（x）HTMLを解析するRegExpメソッドの質問について、いくつかの制限について話したすべての人への答えは次のとおりです。NOBODYが再帰について話したので、この強力な武器の力を支配する十分な訓練を受けていません。
RegExpにとらわれない同僚が私にこのディスカッションを通知しました。これは、この古くてホットなトピックに関するWebでの最初のものではありません。
いくつかの投稿を読んだ後、私が最初に行ったのは、このスレッドで「？R」文字列を探すことでした。2つ目は、「再帰」について検索することでした。
いいえ、聖なる牛、一致は見つかりませんでした。
パーサーが組み込まれている主なメカニズムについては誰も触れていないので、誰もその要点を得られないことにすぐに気づきました。
（x）HTMLパーサーが再帰を必要とする場合、再帰なしのRegExpパーサーは目的のために十分ではありません。シンプルな構成です。
RegExpのブラックアートを習得するのは難しいため、片方の手でWeb全体をキャプチャするための個人用ソリューションを試してテストしている間に、取り残された可能性がさらにあるかもしれません。
ここに魔法のパターンがあります：
$pattern = "/<([\w]+)([^>]*?)(([\s]*\/>)|(>((([^<]*?|<\!\-\-.*?\-\->)|(?R))*)<\/\\1[\s]*>))/s";やってみなよ。
これはPHP文字列として記述されるため、「s」修飾子を使用すると、クラスに改行が含まれます。
ここにあるPHPマニュアルのサンプルノート私は1月に書いた：リファレンス
（注意してください、「m」修飾子を誤って使用したことに注意してください。^または$アンカーが使用されていないため、RegExpエンジンによって破棄されますが、削除する必要があります）。
ここで、この方法の限界について、より知識のある観点から話すことができます。
とにかくそれはただのRegExpパターンですが、それは多くの強力な実装を開発する可能性を開示しています。
このパターンは、フレームワークに組み込んだテンプレートエンジンの再帰降下パーサーを強化するために作成しました。パフォーマンスは、実行時間とメモリ使用量の両方で非常に優れています（同じ構文を使用する他のテンプレートエンジンとは関係ありません）。
<\s*(\w+)[^/>]*>パーツの説明：
<：開始文字
\s*：タグ名の前に空白がある可能性があります（醜いですが可能です）。
(\w+)：タグには文字と数字（h1）を含めることができます。まあ、\w「_」にもマッチしますが、害はないと思います。好奇心が強い場合は、代わりに（[a-zA-Z0-9] +）を使用してください。
[^/>]*：クローズするまで>、および/クローズするまで>
>： 閉鎖 >
そして、正規表現を過小評価している仲間たちに、彼らは通常の言語と同じくらい強力だと言っています：
a n ba n ba nは規則的ではなく、コンテキストフリーでもないため、^(a+)b\1b\1$
FTWの逆参照！
O(MN)（Mは正規表現の長さ、Nはテキストの長さ）。後方参照はその原因の1つです。awkの実装には後方参照がなく、O(MN)時間内にすべてに一致します。
これらのタグを（構文解析の野心なしで）単に検索しようとしている場合は、次の正規表現を試してください。
/<[^/]*?>/g私はそれを30秒で書いて、ここでテストしました：http : //gskinner.com/RegExr/
それはあなたが言及したタグのタイプと一致しますが、あなたが無視したいと言ったタイプは無視します。
\/>代わりにという意味だと思います\\>。
\>私が意図したとおりです。元の投稿の正規表現を編集するつもりはありませんでした。
\/。多分私はあなたが否定的なフィルターパターンを提供していると思った。
特に正確さが最優先の場合（たとえば、処理がセキュリティに影響を与える可能性がある場合）、HTMLを処理するときは、通常、プログラミング時に正規表現ではなく専用のパーサーとAPIを使用するのが最善です。ただし、XMLスタイルのマークアップは正規表現で処理してはならないという独断的な見方には同意しません。テキストエディターで1回限りの編集を行ったり、破損したXMLファイルを修正したり、XMLに似ているが完全ではないファイル形式を処理したりする場合など、正規表現が仕事に最適なツールとなる場合があります。知っておくべき問題がいくつかありますが、それらは乗り越えられないわけではなく、必ずしも関連性さえありません。
<([^>"']|"[^"]*"|'[^']*')*>私が今述べたようなケースでは、通常のような単純な正規表現で十分です。これはすべてを考慮した単純なソリューションですが、>属性値にエンコードされていない記号を正しく許可します。たとえばtableタグを探している場合は、として適応できます</?table\b([^>"']|"[^"]*"|'[^']*')*>。
より「高度な」HTML正規表現がどのように見えるかを理解するために、実際のブラウザの動作とHTML5解析アルゴリズムをエミュレートするかなり信頼できる作業を以下に示します。
</?([A-Za-z][^\s>/]*)(?:=\s*(?:"[^"]*"|'[^']*'|[^\s>]+)|[^>])*(?:>|$)以下は、XMLタグのかなり厳密な定義と一致します（ただし、XML名で許可されているUnicode文字の完全なセットは考慮されていません）。
<(?:([_:A-Z][-.:\w]*)(?:\s+[_:A-Z][-.:\w]*\s*=\s*(?:"[^"]*"|'[^']*'))*\s*/?|/([_:A-Z][-.:\w]*)\s*)>確かに、これらは周囲のコンテキストやいくつかのエッジケースを考慮していませんが、本当にそうしたい場合は（たとえば、別の正規表現の一致を検索することによって）対処できます。
結局のところ、そのツールが正規表現である場合でも、ジョブに最適なツールを使用してください。