关于正则表达式：html元素属性值内是否允许使用”>”(U 003E大于标志)？

Is “>” (U+003E GREATER-THAN SIGN) allowed inside an html-element attribute value?

换句话说，可以使用/<tag[^>]*>.*?<\\/tag>/正则表达式来匹配不包含嵌套tag元素的tag html元素吗？

例如(lt.html)：

正则表达式：

1	$ perl -nE"say $1 if m~]>(.?)~" lt.html

和屏幕抓取器：

1
2
3
4
5
6
7
8
9
10

#!/usr/bin/env python
import sys
import BeautifulSoup

soup = BeautifulSoup.BeautifulSoup(sys.stdin)
for div in soup.findAll('div'):
print div.string

$ python lt.py <lt.html

两者都提供相同的输出：

1
2

1
">2

预期输出：

1
2

w3c说：

Attribute values are a mixture of text
and character references, except with
the additional restriction that the
text cannot contain an ambiguous
ampersand.

是的，它是允许的(W3C验证程序接受它，只发出警告)。

在注释中也可以使用未转义的<和>，因此可以对这种简单的正则表达式进行愚弄。 >

如果BeautifulSoup无法解决此问题，则可能是错误或有意识的设计决定，以使其对属性中缺少的右引号更具弹性。

文字>在html内容中的任何地方都是合法的，无论是在属性值内部还是在元素内的文本。

我相信这是有效的，并且W3C验证程序同意，但是此信息的权威来源是ISO 8879：1986标准，价格约为150EUR / 210USD。无论如何，对它们进行编码并没有错，因此，如果有疑问，请进行编码。此外，如果使用的是基于XML的文档类型，则需要按序列]]>。

编码大于号。

如果您坚持使用正则表达式(适用于基本的字符串操作)，请尝试使用<tag((\\s+\\w+(\\s*=\\s*(?:".*?"|'.*?'|[^'">\\s]+))?)+\\s*|\\s*)>.*?<\\/tag>。它应该与属性完全匹配，因此允许您访问内部内容(尽管您需要将其放入捕获组中)。

您还可以使用Html Agility Pack来解析HTML，我建议您将要做很多解析。保持大型正则表达式很容易让人头疼，但是与此同时，如果您能够做到的话，它们也会更加有效。

在阅读以下内容之后：

http://www.w3.org/International/questions/qa-escapes

似乎到处都建议使用实体转义符(包括属性)对于<>和

使用>而不是>