Выборка содержимого тэга с помощью регулярных выражений

#html #cpp #регулярные_выражения #парсер

К примеру, у нас есть следующий html-код:


    
        Hello!
    
    
        

            Block Content
        
        
Text
        Content
    



Как можно с помощью регулярных выражений получить содержание оперделенного тэга,
указав его имя в этом выражении. Имена тэгов в файле зарание известны и могут передваться
в качестве строки или параметра функции, которая и будет осуществлять выборку. 
К примеру, если я хочу получить содержимое тэга html, то результат выполнения регулярки
должен быть следующим:


   Hello!


   

        Block Content
   
   
Text
        Content



Для тэга body результат должен быть таким:


    Block Content

Text
Content


и тд.
Я попробовал решить эту задачу, написав следующее регулярное выражение:

([\w\s]*)<\/html>


Однако, я не получил  необходимый результат. 
Далее, попробовал еще один способ:

<.+>\s*(.+)\s*<\/.+>


В целом, результат получился почти необходимым, однако, если делать выборку содержимого
тэга html, то результат будет таким:


        Hello!
    
        

            Block Content
        
        
Text
        Content
    


т.е. нет начального тэга .

EDIT

Реализация второго способа выглядит вот так:

std::regex m_RegexValue("<.+>\\s*(.+)\\s*<\\/.+>")
std::vector result {};

    try
    {
        std::sregex_iterator next(userData.begin(), userData.end(), m_RegexValue);
        std::sregex_iterator end;

        while (next != end)
        {
            result.push_back(std::smatch(*next).str());
            ++next;
        }
    }
    catch (const std::regex_error& e)
    {
        std::cout << e.what() << std::endl;
    }


Как можно это исправить и получить желаемый результат, т.е. чтобы по имени тэга получить
все его содержимое?

UPDATE

После того, как принял советы, которые мне здесь подсказали, возникла потребность
выбрать не всё содержимое родительского тега, а лишь чистый текст/контент, без остальных
дочерних тегов.
Т.е. к примеру, есть следующее содержимое html-страницы:


        
            Hello!
        
        Some content/data/text
        
            

                Block Content
            
            
Text
            Content
        
    


Как можно выбрать только Some content/data/text?
Данная проблема возникла потому, что в некоторых случаях нужно выбирать абсолютно
все содержимое родительского тега, а в других - только чистый текст/контент родительского
тега.
    

Ответы

Ответ 1

Правильно в таких случаях использовать специальные парсеры DOM. 

Я приведу пример регулярного выражения, который может не всегда сработать, например:


если в атрибутах есть < или >
если требуется найти соответсвтующий закрывающий тег для открывающего (т.е. без поддержки
вложенных тегов.


Держа вышесказанное в уме, посмотрите на

m_RegexValue("<([a-zA-Z_][\\w.-]*)[^>]*>\\s*([\\w\\W]*?)\\s*")


Шаблон ([a-zA-Z_][\w.-]*)[^>]*>\s*([\w\W]*?)\s* находит:


([a-zA-Z_][\w.-]*) - Захватывающая подмаска №1 (техническая, нужна для того, чтобы
потом использовать обратную ссылку на значение, захваченное этой группой): ASCII-буква
или _, за которой может следовать 0 и более букв, цифр, _, . и -
[^>]* - 0 и более символов, отличных от >
>\s* - > и 0 и более пробельных символов 
([\w\W]*?) - Захватывающая подмаска №2: 0 и более любых символов, как можно меньше
\s* -  0 и более пробельных символов, а затем .


Для нахожения определённых тегов, можно указывать их внутри первых скобок, а после
добавлять границу слова. Пример для body:

<(body)\b[^>]*>\s*([\w\W]*?)\s*
  ^^^^ ^^


См. онлайн-демо этого выражения.

Однако использовать эту регулярку не рекомендуется, используйте соответствующий парсер.
Сссылки на разные HTML-парсеры для С++ можно найти в этом ответе на английском SO.


Ответ 2

Решение задачи можно получить проще если использовать SAX/DOM XML-парсеры. Например,
в Qt есть замечательный метод QDomElement::elementsByTagName(...), который возвращает
список всех дочерних элементов с указанным именем, а QDomElement::toString() возвращает
содержимое элемента в качестве строки. Это все что нужно для того, что бы решить Вашу
задачу.

Конечно, никто не заставляет использовать Qt, и Вы можете применить здесь любой другой
XML-парсер.


Ответ 3

Для подобного разложения используются лексеры и парсеры. Пример сочетания - flex+bison.
Хорошая статья , описывающая работу лексера и парсера вместе. 

P. S. В лексере, для улавливания морфем используются регулярные выражения.