Является ли ">" (U + 003E GREATER-THAN SIGN) допустимым внутри значения атрибута html-element?

Другими словами, можно использовать /<tag[^>]*>.*?<\/tag>/ regex для соответствия элементу tag html, который не содержит вложенных элементов tag?

Например (lt.html):

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
  <head>
    <title>greater than sign in attribute value</title>
  </head>
  <body>
    <div>1</div>
    <div title=">">2</div>
  </body>
</html>

Regex:

$ perl -nE"say $1 if m~<div[^>]*>(.*?)</div>~" lt.html

И экранный скребок:

#!/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

Оба дают одинаковый вывод:

1
">2

Ожидаемый результат:

1
2

w3c говорит:

Значения атрибутов представляют собой смесь текста и символьные ссылки, за исключением дополнительное ограничение, которое текст не может содержать двусмысленный амперсанд.

Ответы

Ответ 1

Да, это разрешено (W3C Validator принимает его, только выдает предупреждение).

Unescaped < и > также допускаются внутри комментариев, поэтому такое простое регулярное выражение может быть обмануто.

Если BeautifulSoup не справляется с этим, это может быть ошибка или, возможно, сознательное дизайнерское решение, чтобы сделать его более устойчивым к отсутствию закрывающих кавычек в атрибутах.

Ответ 2

Я считаю, что это действительно так, и валидатор W3C согласен, но авторитетным источником этой информации является стандарт ISO 8879: 1986, который стоит ~ 150EUR/210USD. Независимо от этого, это не так, чтобы кодировать их, поэтому, если есть сомнения, кодируйте. Кроме того, если вы используете тип документа на основе XML, вам нужно кодировать знаки больше, чем в последовательности ]]>.

Ответ 3

Literal > является допустимым везде в html-содержимом, как внутри значений атрибута, так и как текст внутри элемента.

Ответ 5

Если вы настаиваете на использовании регулярных выражений (что подходит для основных операций с строкой), попробуйте использовать <tag((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[^'">\s]+))?)+\s*|\s*)>.*?<\/tag>. Он должен идеально соответствовать атрибутам и, следовательно, позволять вам получить доступ к внутреннему контенту (хотя вам нужно поместить его в группу захвата).

Вы также можете использовать Html Agility Pack для анализа HTML, который я бы рекомендовал если вы собираетесь много разбираться. Поддержание больших регулярных выражений может легко стать головной болью, но в то же время они также намного эффективнее, если вы в состоянии это сделать.

Ответ 6

yeah except /<tag[^>]*>.*?<\/tag>/

Не будет соответствовать ни одному тегу, но будет соответствовать первому стартовому тегу и последнему тегу для данного тега. Так же, как ваш первый не-жадный совпадение тегов, ваш промежуточный должен быть написан и не жадным.

Ответ 7

посмотреть, получится ли у вас тот же результат с использованием & gt; вместо >