正则表达式匹配html标签之间长于x个字符的文本？

Question

我的任务是迁移您将遇到的最糟糕的HTML产品说明。它由表和段落的混合组成。大多数甚至不是100％有效的HTML，并且有许多Microsoft标签由MS Word提供。它充满了线条样式标签，其中大部分都依赖于你将看到的最疯狂的CSS规则。

基本上我已经意识到唯一使用的是文本的段落。我不能只抓取<p>代码，因为有时段落不使用它们，有时标题或单个单词都有自己的<p>标记。

所以我的问题是我可以匹配html标签之间的 x 字符长的文本吗？

理想情况下，它也会忽略<br/>和<br>

Here is a link以我正在处理的HTML为例

请注意，这只是我正在处理的描述，而不是整个页面。

Answer 1

此正则表达式的1组将匹配标记之间的n+个字符（在此示例中为n = 100）：

<[^>]+>([^<]{100,})<[^>]+>

注意：

• 我故意不匹配匹配的结束标记（<([^>]+)>([^<]{100,})<\1>）因为OP的草率HTML - 标记是标记
• 我避免使用lookbehind（(?<=<[^>]+>)）因为匹配是任意长度的，这可能导致回溯问题（某些语言，如java，甚至不支持它）。

Answer 2

稍微扫描一下网站，看起来很多描述都不到100个字符。您可以尝试多遍方法，在第一次迭代中，您可以捕获“div id="tab1"”之后的第一个表中的所有内容。从那个起点开始，识别和消除 不 想要的部分可能更容易，而不是提取您想要的部分。