发一个嵌套标签匹配的正则<(?:[^<>]++|(?R))*>

cixiplc66

, x5 d5 R  W% Z- ?$ Q3 _

1. <(?:[^<>]++|(?R))*>

复制代码

<(?:[^<>]++|(?R))*>

, O7 _- A2 O, L7 i/ m匹配到尖括号之间内容,允许内部多次嵌套
核心: (?R)
平衡组递归匹配
这个是Autohotkey脚本软件作者Lexikos亲手所出,绝对牛逼高人!
' m/ a- `# m9 A+ E
3 E. a; X/ y3 F6 f/*
$ i  {) p1 l# R) ?/ }$ }正则递归 by_Lexikos
) n% @/ U7 Y3 y4 p它可以与“递归调用”结合来删除任意数量的嵌套<...>：
4 S5 ~" T! ]: c
一个特殊的项目由 (? 后面跟一个大于的数字组成零和一个右括号
6 k" f# h  B. Y/ F是子模式的递归调用给定的数字，只要它发生在子模式内。
（如果不是，这是一个“子程序”的调用，这在下一个部分中有描述，）
9 }8 D0 T& J" ^" ?! e特殊项目 (?R) 或 (?0) 是整个递归调用正则表达式。

1 ^% L8 p2 e/ ^3 D) A4 J8 t这个PCRE模式解决了嵌套的括号问题
（假设PCRE_EXTENDED选项设置为忽略空白）：
\( ( [^()]++ | (?R) )* \)
- F) q8 o* e# |/ h8 D
首先它匹配左括号。
然后它匹配任何数量的可以是非括号序列的子字符串，
或者a模式本身的递归匹配
6 I0 e& I: j- L1 p- @7 H+ U（也就是说，一个正确的parenthe-大小的子字符串）。
; v$ P2 m/ P& @2 @; ]8 k最后有一个右括号。请注意使用的所有格量词，
0 w0 b+ ~$ F  g3 Q$ b: s$ R" w8 s以避免回溯成非序列的序列，括号。
* `0 L& p! o* \9 W, ~
  q, K4 V; U# t5 x7 VSource: http://www.pcre.org/pcre.txt
https://autohotkey.com/board/top ... d-text-in-a-string/
*/
6 G+ N! n" w4 |- j; _
) [" k% s/ v9 e+ [7 ^# kEmeditor 完美支持 (?R) 递归语法
+ y, ?1 Y8 H9 d% b2 t& }% z/ b
1 Q' h+ a6 z# l8 Z附上语法解释:
" c  `* o: [. G  q" O8 ~# b7 c# w+ ^; f[DEELX 正则表达式扩展语法：递归表达式 - CSDN博客](https://blog.csdn.net/technofiend/article/details/49905127)

百度能搜到的唯一一篇讲解的比较清楚的关于(?R)正则递归
' Z# \; s# W- ?# a[php匹配嵌套括号内的文本 - xubaoguo - ITeye博客](http://xubaoguo.iteye.com/blog/941406)
  z) N- I- j1 X0 r

1. (a(b(c)d)(ggg)e))
   
2. 
   & O3 d$ e, ~+ a7 y2 ]: s1 a4 [: L
3. \(([^()]+|(?R))*\)

复制代码

, s0 ~0 ]0 O. G, O9 M$ A
; a- l% r% w9 k. |% n7 ?7 I  F和Lexikos版本主要区别未使用?:不捕获存档组
Lexikos大使用了2个加号++,不知道是不是针对一些特别的换行符而考虑

几个变形:

1. \((?:[^()]+|(?R))*\)
   
2. 
   3 w" H. I+ Q; R) B
3. \((?>[^()]+|(?R))*\)

复制代码

- I# A; S& v; K! J$ [% e具体区别还要慢慢体会

cixiplc66

7 ]' T4 j: g" k7 m( r
2 G9 \6 d; N$ z/ X! \+ O. v?: 后面加上 span class="kwd"
应该能完美匹配到指定标签了,没测试
9 B4 Q+ z: @) K4 L, Q如此简洁匹配到嵌套尖括号也可以换成圆括号的正则表达式,百度了一天我还搜不到
$ V  V# i% w, K# h% R" }) P) ?
德国人的英语,Google的翻译也只能凑合看

cixiplc66

再送同样是ahk_L版本老大@lexikos : remove blank lines
. P- h4 u, |* J$ C/ I$ J收藏级的去行首行尾空白同时去空行的正则

正则替换

1. ^\s+|\s*(\R|$)\s*

复制代码

" O! E, W, Y; a( X7 y替换为\1
6 o+ L9 A. d- X1 L/ b
9 a7 [- q1 {1 V0 b+ L-----------------------✂-----------------------
8 ]/ i) p2 r+ H- Y2 b) ~7 K同样效果:

  ]1 e( H  e* B) z4 q

1. `am)^\s+|\h+$|\R\z

复制代码

匹配部分替换为空
( Z8 k5 y9 n# I& ?" n) a; \& K注意 `am)是ahk脚本中语法,表示开启识别多种换行符和匹配多行开头结尾模式

kapan000

请问
2 H; S0 Y+ _  [- d! D如果是想筛选出尖括号<>以外的内容呢？
3 j6 ]# V% D; K2 B- M) J比如A12<DE>F907G
选择<DE>之外的内容
2 |' \" a6 m) t2 c7 A/ B2 h
& Z3 |4 }2 {1 a* O8 G9 G: O( C& s6 |谢谢

cixiplc66

" L( }+ r& Q' ?6 F9 H1 u你这样的需求一般是html源码转txt
多数是直接匹配 <[^>]*?> 然后替换为空,倒无需考虑嵌套 反而简单了

备注:
+ i. z8 Q& p) z% l: R5 U- D[^>]也可以用英文句号圆点 . 代替,
" i5 Y% \$ p" r( P  ]( s) w不过小圆点 . 有局限,除非开启 s 模式否则不能匹配到换行符,也就是只能处理一个看得见的行内
,默认情况下正则把整个文本看做一行
4 N/ }. s* i2 W- M& c( l5 U3 U2 @& B小圆点 . 要处理跨行 开启 s 模式
6 m5 B. j* a" G1 i^ $ 这2个行首行尾位置标记要处理跨行的内容,要开启 m 模式,其中有3个很少见到的类似效果的 \A \z \Z
: j$ A# E: R3 v6 j( P0 ^4 u\A 全文开头 \z全文结尾位置
+ i5 \( E0 s1 G0 U5 V" r\Z 无须开启 m 多行模式 就可以匹配行尾和全文结尾
\R 默认就能代替各种换行符,比\n 灵活出问题少,各种系统搞出来的文本的换行符很复杂,最常见的也有 \r \n \r\n这三种可能
) G+ \) X& i5 o( E% H9 W1 I# w7 [
2 g. ~9 F: B8 A# Y, o3 n3 @\K 作用类似于逆向回顾,用于前面是某某某一些字符,比如: a\Kbc 能匹配到bc但是bc前面必须有个a
类似于 (?=a)bc

所有全角双字节字符含标点

1. [[:unicode:]]
   
2. 
   1 h) E8 x; l$ T' O+ h* z% c
3. 等同于 [^\x00-\xff]

复制代码

& b& ^3 ?) \  V
% S3 G& O! |) ^8 l
* Q- S& z+ v# m中日韩双字节全角字符
, s+ q. K# J( x6 ]$ [$ u# |5 T7 W! x

1. 含生僻字中文[\x{2E80}-\x{FE4F}]
   
2. [\x{3000}-\x{9FFF}] XeCJK 中日韩
   
3. // 汉字范围 [\x0391-\xffe5]

复制代码

中文标点

1. [\x{3000}-\x{301e}\x{fe10}-\x{fe19}\x{fe30}-\x{fe44}\x{fe50}-\x{fe6b}\x{ff01}-\x{ffee}]
   
2. [中文标点符号unicode码 - CSDN博客](https://blog.csdn.net/miyunhong/article/details/43528897)

复制代码

: R7 c+ k4 e. W( C4 i; R
英文标点
5 q: J  J% R, W0 i

1. [[:punct:]]
   
2. \p{Punct}

复制代码

4 j$ C) Z8 E4 N) h

1. \p{L} 等于 [a-z]
   + D0 I8 F  r6 t4 R
2. \p{U} 等于[A-Z]

复制代码

匹配某些特定图片img标签,
1. 允许src有时候不紧跟在 <img 后面
2. src= 后面可能英文或中文引号,如果可能没有引号还得改为 ['"]?
2 t. X/ }5 b+ i: H. t5 I+ k" D6 J2 d

1. <img[^>]+src=['"]img/spkr_[^>]+>

复制代码

9 R3 N3 r4 ]6 P; S4 i) X( |
* b7 l6 h$ V* d1 g$ R' u双引号的问题
% {2 w2 {- j5 V6 O* @8 n1 T多数时候正则中的双引号是个需要特别处理的,比如在一些脚本中,需要连续2个 "" 来代表 一个 "
只是在一些编辑器中好像又不需要特别处理
4 `2 Q' u- w  S* W: x5 i" c

jonah_w

++是为了开启“侵占模式”：走过的路不回头。

lemonlab

mark 一下

markwell

html转txt必备良品，之前自己一个一个标签去匹配真是蠢到家了，收藏了