Dotaz: regexp na chybne atributy

[tyctor]

ahojte
nejako ma nenapada ako napisat regexp, ktory matchne chybny html atribut ak title obsahuje vnutri uvodzovky:
napr.: <a title="nejaky titulok" chybna cast" >
regexp pre python, ktora matchne aj spravny:
(?P<badtag>\<a+\s+title=\".*?\"[^<>]*?\>)" takze mu potrebujem este povedat aby .*? obsahovala minimalne 1 uvodzovky navyse.
pomoze niekto? ;o)

Odpovědi

[happy barney]

[^"]*("[^"]*)+

[tyctor]

diky to je ono
este som to trochu upravil. cele to mam takto:
(?P<badtag>\<a\s+title=\"[^\"]+?\"(?P<badpart>[^\"<>]*(?:\"[^\"<>]*)+?)\>)

[Jan Martinek]

Asi bych to dělal takhle:

#!/usr/bin/env python
import elementtree.ElementTree

def get_title(stream):
    print stream
    stream += '</a>'
    tree = elementtree.ElementTree.fromstring(stream)
    return tree.get('title')

try:
    print get_title('<a title="nejaky titulok" >')
    print get_title('<a title="nejaky titulok chybna" cast" >>')
except:
    print 'Je tam nejaka chyba'

Funkce get_title() vrací titulek a když se to nepovede, tak vyhodí výjimku.

[happy barney]

#!/usr/bin/perl

($/, $\) = ('>', "\n");

while (<>) {
  print $ARGV unless m/\A[^<]*<(?:\w+(?:\s+\w+="[^"]*")*)|(?:\/\w+)>/;
}

pouzitie:

perl script.pl *.html

vypise nazvy suborov s chybnymi elementami ten regex nie je 100%tny, pre html myslim postacuje