Question

我正在开展一项小作业，需要使用带有HTML字符串的正则表达式。我当前的问题是正确获取HTML标记中包含的字符串。

例如：

我有一个字符串

<p>&lt;Placeholder&gt;</p>

我已经能够使用以下正则表达式获取内容

private string Unescape(){
    string s = WebUtility.HtmlDecode("<p>&lt;Placeholder&gt;</p>");
    string dec = Regex.Replace(s, "^<.*?>|^<.*?><.*?>", "");
    return Regex.Replace(dec, "</.*?>$|</.*?></.*?>$", "");
}

哪会回来：

<Placeholder>

但是，如果字符串包含其他HTML标记， e.g：

<p><strong>Placeholder</strong></p>

我会得到这个

<strong>Placeholder

看起来我只能成功删除结束标记，但我不能对开始标记做同样的事情。谁能告诉我哪里出错了？

修改

总而言之，我有办法将HTML标记中包含的字符串视为文字吗？为了涵盖字符串可能包含特殊字符（例如＆gt;＆lt;）

的可能性

Answer 1

我不确定您是否会对html上的正则表达式使用感到满意，但我想解释一下“错误”匹配的问题：

替换将使用它将找到的第一个匹配，并且不会查找更多匹配项。所以当你在开始时搜索

^<.*?>|^<.*?><.*?>

字符串

<p><strong>Placeholder</strong></p>

它将匹配第一个替代品，因此它将以第一个替代品的成功匹配结束。因此，如果您想在开始时匹配<p><strong>，则应更改交替中的顺序。但仅限于字符串开头的部分，对于字符串的结尾，您的订购是正常的。

为您的示例，这将起作用：

private string Unescape(){
    string s = WebUtility.HtmlDecode("<p>&lt;Placeholder&gt;</p>");
    string dec = Regex.Replace(s, "^<.*?><.*?>|^<.*?>", "");
    return Regex.Replace(dec, "</.*?>$|</.*?></.*?>$", "");
}

<强> ==＆GT;交替中的排序可能很重要

另一种方法是使用量词而不是替换：

string dec = Regex.Replace(s, "^(?:<.*?>)+", "");
return Regex.Replace(dec, "(?:</.*?>)+$", "");

这也适用于超过2个标签。

带有HTML字符串的C＃正则表达式

1 个答案: