HTML 属性的正则表达式解析 - 一个特定字符串

Question

对于 Delphi Rio，我使用的是 HTML/DOM 解析器。我正在遍历各个节点，解析器正在 returning attributes/tags。通常这些都不是问题，但对于某些 attributes/tag，字符串 returned 包含多个属性。我需要将此字符串解析为某种类型的容器，例如字符串列表。解析器 returns 的属性字符串已经删除了“<”和“>”。

属性字符串的一些示例是：

data-partnumber="BB3312" class=""
class="cb10"
account_number = "11432" model = "pay_plan"

我想要的最终结果是一个 StringList，其中包含一个或多个名称=值对。我没有真正使用过 RegEx，但我认为我想使用 RegEx。这是一种有效的方法吗？对于 RegEx 模式，我认为我想要的模式是

\w\s?=\s?\"[^"]+"

要识别一个字符串中的多个匹配项，我会使用 TRegex.Matches。我是不是忽略了一些会在以后引起问题的东西？

*** 附加信息 *** 有几个人建议使用像样的解析器。我目前正在使用此处找到的开源 HTML/DOM 解析器：https://github.com/sandbil/HTML-Parser 鉴于此，我发布了更多信息...这是我正在解析的 HTML 片段。看看我在末尾添加了 *** 的行。我的解析器 return 将其转换为

Node.AttributeText= 'data-partnumber="B92024" data-model="pay_as_you_go" class=""  '

一个不同的 HTML DOM 解析器 return 会是 3 个不同的 elements/attributes 吗？如果是这样，有人可以推荐解析器吗？

  <section class="cc02 cc02v0" data-trackas="cc02" data-ocomid="cc02">
    <div class="cc02w1">
      <div class="otable otable-scrolling">
        <div class="otable-w1">
          <table class="otable-w2">
            <thead>
              <tr>
                <th>Product</th>
                <th>Unit Price</th>
                <th>Metric</th>
              </tr>
            </thead>
            <tbody>         
              <tr>
                <td class="cb152title"><div>MySQL Database for HeatWave-Standard-E3</div></td>
                <td><div data-partnumber="B92024" data-model="pay_as_you_go" class="">[=14=].3536<span></span></div></td> *****
                <td><div>Node per hour</div></td>
              </tr>
              <tr data-partnumber="B92426">
                <td class="cb152title">MySQL Database—Storage</td>
                <td><span data-model="pay_as_you_go" class="">[=14=].04<span></span></span></td>
                <td>Gigabyte storage capacity per month</td>
              </tr>             
            </tbody>
          </table>
        </div>
      </div>
    </div>
  </section>

Answer 1

（由于 OP 询问使用 RegEx 来解析属性=值对，这直接回答了问题，其他用户将来可能会寻找。）

基于正则表达式的答案

使用 RegEx 非常强大，从您提供的数据中，您可以使用以下方法提取属性名称和值对：

(\S+)\s*=\s*(\"?)([^"]*)(|\s|$)

这里使用了分组，解释如下：

第一个结果组是属性名（匹配非空白字符）

如果存在，第二个结果组是一个封闭的 "，否则是一个空字符串

第三组结果为属性值

由于 RegEx 可以运行递归，您可以使用 MatchAgain 查看是否有另一个匹配项，因此递归读取所有属性。

procedure ParseAttributes(AInput: String; ATarget: TStringList);
var
  LMatched: Boolean;
begin
  pRegEx:=TPerlRegEx.Create;
  try
    pRegEx.RegEx:='(\S+)\s*=\s*(\"?)([^"]*)(|\s|$)';
    pRegEx.Subject:=AInputData;
    LMatched:=pRegEx.Match;
    while LMatched do
    begin
      ATarget.Add(pRegEx.Groups[1].'='+'"'+pRegEx.Groups[3]+'"');
      LMatched:=pRegEx.MatchAgain;
    end;
  finally
    pRegEx.Free;
  end;
end;

免责声明：我还没有尝试编译该代码，但希望它足以让你开始！

实用点：关于您用 DOM 解析器提出的实际问题 - 这是一项存在现有解决方案的任务实用解决问题的答案很可能是使用有效的 DOM 解析器！如果正则表达式是您出于某种原因需要的东西，那么这个应该可以胜任。

Answer 2

您正在使用的解析器的文档说 TDomTreeNode 有一个 AttributesText 属性，它是一个“ 具有所有属性的字符串 ” ，您已经展示了其中的示例。但它也有一个 Attributes 属性即“parsed attributes " 作为 TDictionary<string, string> 提供。您是否尝试过查看属性的值？您根本不需要使用 RegEx，只需枚举 TDictionary 的条目即可，例如：

var 
  Attr: TPair<string, string>;

for Attr in Node.Attributes do begin
  // use Attr.Key and Attr.Value as needed...
end;

HTML 属性的正则表达式解析 - 一个特定字符串

RegEx Parsing for HTML attributes - one specific string

regex

delphi