询问一个正则表达的问题

Question

我的html代码是这样的
 <div   align="center">     
  <p   class=g>   <a   href="#">avi</a><br>   <font   size=-1>Size   <br>   Type   </font><br>   <font   color=#008000   size="1">E659A37C3B6B49CEAC0898EAB8C88853</font></font>   
  <p   class=g>   <a   href="#">avi</a><br>   <font   size=-1>Size   <br>   Type   </font><br>   <font   color=#008000   size="1">E659A37C3B6B49CEAC0898EAB8C88853</font></font>     
  </div>     
    
    
  <div>   
  <table   cellpadding="0"   cellspacing="0">   <tr>   <td   valign="bottom">   
  <span   class="g"><span   class="Estilo1"><font   size=-1>page:</font></span></span>   </td>     <td>   <br>   0</a></td>   <td>   <a   >   <br>   1</a></td>   <td>   <a   href="search.php?>   <br>   2</a></td>   <td>   <a   href="search.php?>   <br>   3</a></td>   <td>   <a   href="search.php?>   <br>   4</a></td>   <td>   <a   href="search.php?>   <br>   5</a></td>   <td>   <a   href="search.php?>   <br>   6</a></td>   <td>   <a   href="search.php?>   <br>   7</a></td>   <td>   <a   href="search.php?>   <br>   8</a></td>   <td><a   href="search.php?><br>   <strong>Next   </strong></a></td>   </tr>   </table>   
  </div> 
我想通过正则表达来抽取 <div   align="center">     
  <p   class=g>   <a   href="#">avi</a><br>   <font   size=-1>Size   <br>   Type   </font><br>   <font   color=#008000   size="1">E659A37C3B6B49CEAC0898EAB8C88853</font></font>   
  <p   class=g>   <a   href="#">avi</a><br>   <font   size=-1>Size   <br>   Type   </font><br>   <font   color=#008000   size="1">E659A37C3B6B49CEAC0898EAB8C88853</font></font>     
  </div>  
这段内容，所以我写了个正则表达式：　　　string pattern=@"<div   align=""center"">.+</div>";
Match m=Regex.Match(str,pattern);结果居然取不到？
别人告诉我前面要加个(?s)，也就是string pattern=@"(?s)<div   align=""center"">.+</div>";
Match m=Regex.Match(str,pattern);
我按他说的做了，结果匹配到了，但是获得的居然是2个div都得到了，也就是第一段代码的所有内容，可我要的只是第一个div的代码，该怎么办？
还有帮我解释下为什么正则表达式前面加个(?s)就行了那？这个是什么意思呢？

Answer 1

<div[\S]*align="center"[\S]*>[\S]*</div>

Answer 2

Regex reg = new Regex(@"(?is)<div\s+align=""center"">(?:(?!</?div\b).)*</div>");
Match m = reg.Match(yourStr);
if (m.Success)
{
    richTextBox2.Text = m.Value;
}

Answer 3

(?s)是匹配模式，在.NET中相当于RegexOptions.Singleline
也就是改变“.”的匹配范围，可以匹配任意一个字符而楼主的正则，在加了这个参数之后，由于是贪婪模式，所以会尽可能多的匹配，一直匹配到最后一个“</div>”也可以用非贪婪模式
Regex reg = new Regex(@"(?i)<div\s+align=""center"">[\s\S]*?</div>");
这样做一样能得到楼主想要的结果，但是在源字符串复杂时，效率会较低所以还是用环视+贪婪模式来实现，效率会高一些(?i)相当于RegexOptions.IgnoreCase，表示忽略大小写

Answer 4

string pattern=@"(?s)<div\s+align=""center"">.+?</div>"; Match m=Regex.Match(str,pattern);\s+ 匹配一个或多个空白字符
用这个就对了,(?s)和你在选项里设置单行模式也就是RegexOptions.Singleline是一个意思
.+  会匹配到最后一个 匹配优先.
.+? 匹配尽可能少的文本.到第一个</div>结束 

Answer 5

那我询问下#4的高人，为什么不加(?s)一个都匹配不到呢？我感觉我正则没写错啊(?:(?!</?div\b).)*  这是什么意思呢？

Answer 6

LZ的问题我正好也遇到了，好奇地做了下。感觉C#的正则和python的正则有点区别

Answer 7

不加(?s)时，小数点“.”匹配除了换行符“\n”之外的任意一个字符，所以在不加(?s)时，只能匹配单行数据，可以用(.|\n)来匹配任意一个字符，但这样效率太低，可以用[\s\S]来匹配任意一个字符，但效率最高的，还是(?s)加.来实现，当然，.NET中是这样的，其它语言，效率表现可能会有所不同

Answer 8

我现在是这么写的
string trackPattern = @"<div\s+id=""m_track""\s+class=""modbox"">(.|\n)*</div>";
不用贪婪的，但是匹配到的还是2个div...改进的办法有吗？觉得4#有点繁琐啊

Answer 9

(?:(?!</?div\b).)*  比如要匹配HTML标签，可以用
<[^>]*>
其中[^>]*就是排除型字符组，但它仅能排除单个的字符，而不能排除一个子字符串，要排除子字符串，可以使用环视
((?!</?div\b).)*
就表示任意多个右侧不是<div或</div的字符
<div\s+align=""center"">(?:(?!</?div\b).)*</div>
用在这里也就表示从<div开始，到第一个</div>之间的内容

Answer 10

量词“*”仍然是贪婪的
string trackPattern = @"<div\s+id=""m_track""\s+class=""modbox"">(.|\n)*？</div>";正则的效率高低不在于形式上是否繁琐，如果你认为书写简单的，就是效率高的，劝你不要用正则了

Answer 11

上面的“？” 错了，输入法没切换，应该是半角的string trackPattern = @"<div\s+id=""m_track""\s+class=""modbox"">(.|\n)*?</div>";
关于匹配任意字符效率的讨论，我之前整理了一下
正则基础之——小数点 

Answer 12

奇怪啊，为什么这样得到的还是2个div？            string trackPattern = @"(?s)<div\s+align=""center"">(?:(?! </?div\b).)*</div>";

Answer 13

(?s)<div\s+align="center">.+?</div>
和
<div\s+align="center">(?:(?! </?div\b).)* </div> 理论上第二个快一些,实际上差别不大,100毫秒以内,.net会对部分正则进行优化
环视还没到数量级的优势啊 这个3000行以内的文本,差别不到0.1秒.都是在0.0x秒内执行 看需求了

Answer 14

其实正则匹配效率，在匹配成功的情况下，效率不会有很大差别的
效率的差别更多的在于，匹配失败的情况下，是否能以最快的速度报告失败
其实上面的正则，还可以通过固化分组来提升效率
Regex reg = new Regex(@"(?is)<div\s+align=""center"">(?>(?:(?!</?div\b).)*)</div>");
只是这样做了以后，可读性更差，更难于理解罢了