La respuesta de @nxnev es adecuada, deberías utilizar un parser HTML. Te evitarás problemas y harás el código más mantenible.
Si por lo que sea quieres seguir adelante con una expresión regular, ten en cuenta que probablemente tendrás limitaciones. En cualquier caso la que te presento debería evitar muchos de estos problemas:
nota: solo funcionará para lenguajes compatibles con expresiones regulares PCRE (php, perl, python (módulo Regex
, no Re
)
Javascript por ejemplo no es compatible con PCRE
Versión extendida (necesita flag x
):
(?=<div[ ]class="aawp">) # El primer div debe ser con clase aawp
( # primer grupo (será la base de la recursividad)
#--- Opciones ---#
# Cualquier cosa salvo <> una o más veces
[^<>]+
# Cualquier etiqueta vacía (void element)
| <(?=area|base|br|col|embed|hr
|img|input|link|meta|param|source
|track|wbr)\w+[^>]*>
# Comentarios html
| <!-- .*? -->
# Cualquier otra etiqueta (puede tener anidación)
# Recursividad con grupo 1 (?1). El grupo 2 se usa para
# cerrar la misma etiqueta original
| <(\w+)[^>]*>(?1)*</\2>
)
La versión compacta (sin flag x
):
(?=<div[ ]class="aawp">)([^<>]+|<(?=area|base|br|col|embed|hr|img|input|link|meta|param|source|track|wbr)\w+[^>]*>|<!--.*?-->|<(\w+)[^>]*>(?1)*</\2>)
Aún así, no están exentas de limitaciones. Por ejemplo, no encontrarían algo así: <div>hola</di>
o <div style="no deberia tener un mayor >"></div>
o <div>></div>
El primero es fácilmente solucionable cambiando </\2>
por </[^>]+>
pero preferí dejarlo tal cual porque no veía correcto considerar etiquetas con distinto nombre como iguales aunque se correspondan con el mismo nivel.