html元素属性值内是否可以使用">"(U + 003E大于符号)？
换句话说，可以使用/ <tag [^>] *>。*？<\ / tag> /正则表达式来匹配不包含嵌套tag元素的taghtml元素吗？
例如(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>
正则表达式：
$ perl -nE"say if m~<div[^>]*>(.*?)</div>~" lt.html
和屏幕抓取器：
#!/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
两者都给出相同的输出：
1 ">2
预期产量：
1 2
w3c说：
Attribute values are a mixture of text and character references, except with the additional restriction that the text cannot contain an ambiguous ampersand.
解决方案
yeah except /<tag[^>]*>.*?<\/tag>/
将不匹配单个标签，但匹配给定标签的第一个开始标签和最后一个结束标签。就像第一个非贪婪标记匹配一样，中间标记也应写成非贪婪标记。
看看是否使用>而不是>获得相同的结果
阅读以下内容后：
http://www.w3.org/International/questions/qa-escapes
似乎在<>和＆的任何地方(包括属性中)都建议使用实体转义符
我相信这是有效的，并且W3C验证程序也同意，但是此信息的权威来源是ISO 8879：1986标准，价格约为150EUR / 210USD。无论如何，对它们进行编码并没有错，因此，如果有疑问，请进行编码。另外，如果我们使用的是基于XML的文档类型，则需要在序列[]] >>中编码大于号。
文字">"在html内容中的任何地方都是合法的，无论是在属性值内部还是在元素内的文本。
如果我们坚持使用正则表达式(适用于基本的字符串操作)，请尝试使用<tag((\ s + \ w +(\ s * = \ s *(?:"。*？" |'。*？'|| [^'"> \ s] +))？)+ \ s * | \ s *)>。*？<\ / tag>。它应该与属性完全匹配，因此允许我们访问内部内容(尽管我们可以需要将其放入捕获组)。
我们还可以使用Html Agility Pack解析HTML，如果我们打算进行大量解析，我建议我们使用它。保持大的正则表达式很容易让人头疼，但是与此同时，如果可以的话，它们也会更加有效。
是的，它是允许的(W3C验证程序接受它，仅发出警告)。
注释中也可以使用未转义的<<和>，因此可以欺骗这种简单的正则表达式。
如果BeautifulSoup不处理此问题，则可能是错误或者有意识的设计决定，以使其对属性中缺少的右引号更具弹性。
