Question

我正在尝试从HTML文件中删除未使用的跨度（即没有属性的跨度），已经清除了其他正则表达式不需要的所有属性。

我的正则表达式没有选择要删除的正确的开始和结束标记对。

my $a = 'a <span>b <span style="color:red;">c</span> d</span>e';
$a =~ s/<span\s*>(.*?)<\/span>/$1/g;
print "$a\

返回

a b <span style="color:red;">c d</span>e

但我希望它返回

a b <span style="color:red;">c</span> de

帮助表示赞赏。

Answer 1

尝试HTML::Parser：

#!/usr/bin/perl

use strict;
use warnings;

use HTML::Parser;

my @print_span;
my $p = HTML::Parser->new(
  start_h   => [ sub {
    my ($text, $name, $attr) = @_;
    if ( $name eq 'span' ) {
      my $print_tag = %$attr;
      push @print_span, $print_tag;
      return if !$print_tag;
    }
    print $text;
  }, 'text,tagname,attr'],
  end_h => [ sub {
    my ($text, $name) = @_;
    if ( $name eq 'span' ) {
      return if !pop @print_span;
    }
    print $text;
  }, 'text,tagname'],
  default_h => [ sub { print shift }, 'text'],
);
$p->parse_file(\*DATA) or die "Err: $!";
$p->eof;

__END__
<html>
<head>
<title>This is a title</title>
</head>
<body>
<h1>This is a header</h1>
a <span>b <span style="color:red;">c</span> d</span>e
</body>
</html>

Answer 2

正则表达式不足以解析HTML（或XML）。你能想到的任何正则表达式都无法匹配甚至有效HTML的各种表述（更不用说现实世界的标签汤）了。

这是一个嵌套问题。 Regex通常不能处理嵌套，但Perl有一个非标准的扩展来支持正则表达式递归：（？n），其中n是要递归的组号。所以像这样的东西会匹配你的例子中的两个跨度：

(<span[^>]*>.*+(?1)?.*+<\/span>)

请参阅perlfaq 6.11。

不幸的是，这仍然不够，因为它需要能够计算归因和未归因的＆lt; span＆gt;开始标记，允许＆lt; / span＆gt;结束标记以关闭任何一个。如果不匹配span start-tags属性，我无法想到这样做。

你需要一个HTML解析器，你应该使用一个，因为HTML / XML的正则表达式肯定是错误的。

Answer 3

不要使用regexp进行处理（HTML ==）XML。你永远不知道你会得到什么输入。考虑一下这个有效的HTML：

a <span>b <span style="color:red;" title="being closed with </span>">c</span> de

你能想到这个吗？

改为使用XML处理器。

另请参阅相关问题（右侧）以了解您的问题。

Answer 4

在你的帮助下，我发布了一个可以完成所需工作的脚本。

http://github.com/timabell/decrufter/

如何使用Perl正则表达式删除未使用的嵌套HTML span标记？

4 个答案: