html - 尝试使用正则表达式提取一段HTML代码

Question

我有一些类似的html代码

<tr class="class1">
    <td class="class2">
        <a href="some_address"></a>
        <div id="id1">
            <span class="class3"></span>
        </div>
        <span>Just a text</span>
    </td>
</tr>

我需要提取 <tr class="class1">和 </tr>标签之间的一段代码。我使用这个正则表达式 https://regex101.com/r/Z0Pmgg/1
。似乎可行。但是，当我尝试在C++ STL中使用此表达式时，它根本不起作用:(

#include <string>
#include <regex>
#include <iostream>

int main()
{
    std::string str = "<tr class=\"class1\">\n"
                          "<td class=\"class2\">\n"
                              "<a href=\"some_address\"></a>\n"
                              "<div id=\"id1\">\n"
                                  "<span class=\"class3\"></span>\n"
                              "</div>\n"
                              "<span>Just a text</span>\n"
                          "</td>\n"
                      "</tr>\n";
    std::cmatch result;
    std::regex regular("(<tr class=\"class1\">)"
                       "([\s\S]*?)"
                       "(<\/tr>)");
    if (std::regex_match(str.c_str(), result, regular))
        std::cout << "Success\n" << result[2] << std::endl;
    return 0;
}

我究竟做错了什么？我也尝试使用regex_search()代替

Answer 1

您需要转义\并考虑最终的\n，或者更好的是，使用regex_iterator而不是regex_match。
以下内容适用于GCC 8，Clang 8和MSVC 14:

#include <string>
#include <regex>
#include <iostream>

int main()
{
    std::string str = "<tr class=\"class1\">\n"
        "<td class=\"class2\">\n"
        "<a href=\"some_address\"></a>\n"
        "<div id=\"id1\">\n"
        "<span class=\"class3\"></span>\n"
        "</div>\n"
        "<span>Just a text</span>\n"
        "</td>\n"
        "</tr>\n";
    std::regex re("(<tr class=\"class1\">\\s*)"
        "([\\s\\S]*?)"
        "(\\s*</tr>\\s*)");

    for (std::sregex_iterator it{ str.begin(), str.end(), re }, end{}; it != end; it++) {
        std::smatch result = *it;
        std::cout << "Found:\n\n" << result[2] << "\n";
    }
}

输出:

Found:

<td class="class2">
<a href="some_address"></a>
<div id="id1">
<span class="class3"></span>
</div>
<span>Just a text</span>
</td>

注意:一些旧的libstdc++和libc++实现很难理解正则表达式范围 [...]中的字符类。在这种情况下，请尝试用 [\\s\\S]替换 (?:\\s|\\S)(或者更好的是，将libstdc++升级到6-4.9.1或更高版本)。