如何用正则捕获第三方XML中的未闭合CDATA标签？

从第三方获取的XML存在CDATA标签未闭合的格式错误，需要编写正则表达式仅捕获这类错误的CDATA。当前使用的正则在未闭合CDATA的场景中有效，但当CDATA内容包含HTML标签时会出现假阳性误判。

当前使用的正则 #

((<{1}[a-zA-Z-_]*>{1}){1}(<!\[CDATA\[){1}((?!]]>).)*((</){1}[a-zA-Z-_]*>{1}){1})

测试用例 #

未闭合CDATA的错误场景 #

<Couleur_regroupement>
   <![CDATA[Rose;Jaune 
</Couleur_regroupement>
<Dessus_Tige>
   <![CDATA[26]]>
</Dessus_Tige>

含HTML内容的正常CDATA场景（不应被误判） #

<Desart>
    <![CDATA[Title<br><img src=img.jpg> blabla <i>bla</i>  blabla<br><img src=img.jpg></br>
    ]]>
</Desart>

<([a-zA-Z-_]+)>\s*<!\[CDATA\[(?:(?!]]>).)*?<\/\1>

正则逻辑说明 #

1. <([a-zA-Z-_]+)>：匹配XML起始标签，同时捕获标签名到分组1，确保后续配对的结束标签一致
2. \s*：匹配起始标签与CDATA开头之间的任意空白字符（含换行），适配格式不规整的XML
3. <!\[CDATA\[：精准匹配CDATA的起始标记
4. (?:(?!]]>).)*?：非捕获分组，用非贪婪模式匹配任意字符，但严格排除]]>，确保只匹配未闭合的CDATA内容
5. <\/\1>：匹配与起始标签同名的结束标签，精准定位“CDATA未闭合就直接结束父标签”的错误场景

效果验证 #

• 错误场景：会精准捕获<Couleur_regroupement>标签内未闭合的CDATA内容，不会误判下方正常的CDATA
• 正常场景：CDATA内的HTML标签不会触发父标签的结束匹配，且CDATA有正确的]]>闭合，因此不会被误捕获

内容的提问来源于stack exchange，提问作者Xbattlax