Question

如果有人可以帮助我非常感激，那就是正则表达式的垃圾。

它会变得有点像我想象的那样 - 所以我的帽子也可以解决它的任何人！

所以说我们的文件包含以下格式的2个html标签：

abc1234
<a href="http://google.com">Some Text</a> <P>
<a href="http://www.google.com" rel="nofollow">Some Text</a>
abc1234

我试图删除除url之外的所有标签中的所有内容（并保留其他文本），因此本文档中正则表达式的输出将为

abc1234
http://google.com <P>
http://www.google.com
abc1234

任何一位大师能想出这个吗？我更喜欢一个正则表达式来处理这两种情况，但两个单独的情况也可以。

提前致谢/

Answer 1

ScottStevens，众所周知，尝试使用正则表达式解析html很困难，事实上，在这个问题上有很多verbose post。但是，如果这些是<a>所采用的唯一两种格式，则可以采用以下方法解决问题：

关于如何处理此问题的第一个线索是，这两个标记都以<a href="开头，您希望将其取出，为此，'<a href="'上的简单删除即可，没有正则表达式必需的。

您的下一个线索是，有时，您的结束标记有时会">...</a>，有时会" rel=...</a>（在rel =之间，从正则表达式的角度来看无关紧要）。现在注意" rel="...</a>在">...</a>的某个地方包含" rel="...</a>。这意味着您可以分两步删除" rel="...，将">移至">...</a>，然后移除<a...>...</a>。此外，要确保仅在...的一个标记之间删除，请在">...</a>的{{1}}中添加其他约束，但不能有<a。

那和regex cheat sheet可以帮助你开始。

那就是说，你应该使用html解析器。 Robust and Mature HTML Parser for PHP

Answer 2

我是一名Rubyist，所以我的例子将是Ruby。我建议使用两个正则表达式，只是为了保持正确：

url_reg = /<a href="(.*?)"/   # Matches first string within <a href=""> tag
tag_reg = /(<a href=.*?a>)/   # Matches entire <a href>...</a> tag

您需要将带有第一个正则表达式的URL拉出并临时存储，然后用存储的URL替换标记的全部内容（与tag_reg匹配）。

您可以将它组合起来，但这似乎不是一个好主意。您从根本上改变（通过删除）原始标记，并将其替换为内部的内容。如果你尽可能地分开这两个步骤，那么事情出错的可能性会更小。

Ruby中的示例

def replace_tag(input)
  url_reg = /<a href="(.*?)"/    # Match URLS within an <a href> tag
  tag_reg = /(<a href=.*?a>)/     # Match an entire <a href></a> tag

  while (input =~ tag_reg) # While the input has matching <a href> tags
    url = input.scan(url_reg).flatten[0]  # Retrieve the first URL match
    input = input.sub(tag_reg, url)       # Replace first tag contents with URL
  end

  return input
end

File.open("test.html", "r") do |html_input|       # Open original HTML file
  File.open("output.html", "w") do |html_output|  # Open an output file
    while line = html_input.gets                  # Read each line
      output = replace_tag(line)                  # Perform necessary substitutions
      html_output.puts(output)                    # Write output lines to file
    end
  end
end

即使你不使用Ruby，我希望这个例子有意义。我在给定的输入文件上测试了它，它产生了预期的输出。

正则表达式删除<a href>标签，但保留网址</href>

2 个答案: