正则表达式：仅当不是标记的一部分时才匹配字符串

Question

我正在尝试匹配字符串，只要它不是html标记的一部分。

例如，在搜索字符串时：“abc”。 <a href="foo.html">abc def</a>应匹配 <p> foo bar foo abc foo bar</p>应匹配

但 <a href="abc.html">foo</a>不应该匹配。

感谢您的帮助！

Answer 1

我真的不会使用正则表达式来匹配HTML，因为HTML不是常规的，并且有大量的边缘情况可以帮助你解决问题。对于除最简单之外的所有情况，我都使用HTML解析器（例如PHP的this one）。

Answer 2

无论如何，Brian有一个观点，如果你想使用一个适合你输入的正则表达式：

.*>[^<]*abc[^<]*<.*

Answer 3

我相信任何正则表达式都会在某些CDATA部分打破。

Answer 4

虽然我也同意Brian的comment，但我经常使用正则表达式进行快速和脏的解析，对于你的情况，我会使用类似的东西：

• “序列化”数据

s/[\r\n]//
s/<!\[CDATA\[.*?]]>//
s/</\n</
s/>/>\n/

• 然后只需过滤所有以<
开头的行

s/^<.*//

你留下的只是文字（可能还有很多白空间）。虽然这不是关于正则表达式，而是关于搜索和替换的更多内容。

Answer 5

您正在寻找的是DOM解析器。这将删除所有HTML，并为您提供您正在检查的页面的纯文本，然后您可以匹配。不确定你的用例是什么，但我不是假设你没有操纵DOM，否则你就是在使用JavaScript。

如果您只是提取信息，请使用The Simple HTML DOM Parser之类的内容解析页面，然后匹配您可以从解析对象中获取的纯文本。