正则表达式可以匹配 html 标签这种成对的内容吗？

[LeeReamond]

如题，比如匹配和

，<>里的内容是不固定的，但必须成对出现，正则表达式能描述这种情况吗？

[3dwelcome]

肯定可以吧，这就是标准的 regex match 。

正常来说，可以当成 xml 去解析。但是我爬取 html 页面时，括号什么一般都是不标准的，不一定成对出现。

浏览器容错能力又上天，可苦了我们这种手动解析的。

[xarthur]

如果是 xml ，试着直接解析 dom 树？

[autoxbc]

用正则解析 html 是如此泛滥的一个错误以致在 stackoverflow 上阻止这么做成了一个段子

[Dreax]

https://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags

[lqs]

不可以，正则表达式只能匹配正则语言。

[GuuJiang]

先说结论，标准的正则表达式是无法匹配的，非正则语言中的一个经典例子就是成对的括号
但是，今天的各种正则表达式引擎中增加了各种扩展语法，其中有两种语法能够解决这个问题，一种是递归引用，一种是带计数器操作，详情参见 https://www.regular-expressions.info/refrecurse.html
不过严格来说，这两种扩展语法已经不能算作正则表达式了，这两个语法相比起其它一些扩展语法有着本质的区别，其它一些扩展语法仅相当于语法糖，没有改变仅能匹配正则语言这一边界，但是这两种语法能够匹配部分非正则语言，从实现原理来说，匹配正则语言只需要用到 DFA ，而类似成对括号这种包含递归或计数的场景则必须使用下推自动机

[3dwelcome]

@GuuJiang
“先说结论，标准的正则表达式是无法匹配的"

爬虫里用正则提取文本是很常规的操作，没什么不可以吧。
又不是真的用正则去解析一个完整的 Html 树结构，不过是提取其中一小段文本内容。

[GuuJiang]

@3dwelcome
除去我上面提到的扩展语法以外，标准的正则表达式仅能匹配正则语言，而“成对的括号”属于典型的非正则语言，从正则语言的定义就能断定不可能存在这样的表达式，我再举个非正则语言中的最简单例子
“若干个 a 后面跟若干个 b ，a 和 b 的数量相等”
不使用递归或计数等扩展语法，能够匹配这样的串的正则表达式也是不存在的
至于为什么一定要把这两种扩展语法独立出来讨论，上面以及解释过了，仅使用 DFA 是不可能实现这两种语法的

[LeeReamond]

@GuuJiang 的意思应该是正则本质上是状态机模型无法描述这种情况，也算是说明的同时证明了