実現したいこと
.NETの正規表現 using System.Text.RegularExpressions;
で、「入れ子構造対応型の最短マッチ」は、どう書けばよいでしょうか?
たとえば
HTML
1<body> 2 <div id='universe'> 3 This is universe. 4 <div id='earth'> 5 This is earth. 6 <div id='asia'> 7 This is asia. 8 <div id='japan'> 9 This is japan. 10 </div> 11 </div> 12 </div> 13 </div> 14</body>
という htmlソース文字列を例にしますと
"<div id='earth'"
で、入れ子構造を取得すると、以下の範囲を取得したい。
<div id="earth"> This is earth. <div id="asia"> This is asia. <div id="japan"> This is japan. </div> </div> </div>
試したこと
https://docs.microsoft.com/ja-jp/dotnet/api/system.text.regularexpressions.regex.match?view=net-5.0
Regex.Match メソッドを参考に以下の関数を書きました。
c#
1const string HTML = @"<body> 2 <div id='universe'>This is universe. 3 <div id='earth'>This is earth. 4 <div id = 'asia'>This is asia.' 5 <div id='japan'>This is japan. 6 </div> 7 </div> 8 <div id = 'europe'>This is europe. 9 <div id='swiss'>This is swiss. 10 </div> 11 </div> 12 </div> 13 </div> 14 </body>"; 15 16string getNestedStructureTags(string baseTag = "<div id='earth'") 17{ 18 string pattern = "[\s\S]*?</div>"; 19 int divs = Regex.Matches(Regex.Match(HTML, baseTag + pattern).Value, "<div ").Count; 20 baseTag += string.Concat(Enumerable.Repeat(pattern, divs - 1)); 21 string ans = Regex.Match(HTML, baseTag + pattern).Value; 22 23 Debug.WriteLine(ans); 24 return ans; 25} 26 27
しかしこれでは、入れ子の深度が、深くなって浅くなるのが1回だけならOKですが、
<div id = 'europe'>
のブロック挿入で、浅くなってまた深くなると正しく取れません。
どう記述すればよいでしょうか。よろしくお願いします。
・htmlソースの<div タグに限定して動作すればとりあえずOK
(baseTag の文字列 "<div xxxxx" はソース上でユニークである)
・htmlソース上、コメントアウトや文字列内の</div>とかはない
・ただし div 以外のタグは山ほどあり、改行やインデントも崩れている
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2021/05/06 12:46
2021/05/06 14:17