Regex не работает для захвата html-тегов

Question

У меня есть регулярное выражение для захвата html-тегов из строки. Он работает очень хорошо, но я нашел случай, что он не работает.

Когда у меня есть тег, за которым следует атрибут «data-xxxx-xxxx», тег игнорируется. Если я переместил один и тот же атрибут в последнюю позицию, он будет работать. Если я удалю слово «-» из слова, оно работает.

В моем регулярном выражении чего-то не хватает, но я не могу найти решение для его исправления.

Вот пример, который работает:

<td>Go? <a href="$VAR" target="_blank" data-link-category="cat" 
      data-link-name="bla">Click</a></td> 

<td>Go? <a datalinkcategory="cat" href="$VAR" target="_blank" 
      data-link-name="bla">Click</a></td> 

пример, который не работает:

<td>Go? <a data-link-category="cat" href="$VAR" target="_blank" 
      data-link-name="bla">Click</a></td> 

И мое регулярное выражение:

Regex htmlRegex = new Regex(
    @"(<!--)|(-->)|(<\s?/?\w+((\s+\w+(\s*=\s*(?:""(.|\s)*?""|'(.|\s)*?'|[^'"">\s]+))?)+\s*|\s*)/?>)"); 

Как я могу изменить регулярное выражение для соответствия меток, содержащих атрибуты типа «data-xxxx-xxxx» в начале инструкции?

Благодарим заранее.

Answer 1

Хотя я согласен, что это не хорошая идея для разбора HTML с регулярным выражением, в этом случае вы можете исправить регулярное выражение, добавив hypen в группе характеров с согласованием части против символов слова в начальной проверке атрибутов:

(<!--)|(-->)|(<\s?\/?\w+((\s+[\w-]+(\s*=\s*(?:"(.|\s)*?"|'(.|\s)*?'|[^'"">\s]+))?)+\s*|\s*)\/?>) 
          ^^^^^ 
    change is here, now matches against word characters or hypens 

Working test here, который соответствует всем тэгам ваших тегов.

Обратите внимание, что он, вероятно, по-прежнему будет соответствовать (или не соответствовать) всем видам вещей, которые он не должен (или должен) быть.