Question

我处于这样一种情况，即我正在使用HTML标记，其中包含一些文本（前导或尾随）。我应该使用什么正则表达式？例如：

some text over here
<Html>
<Title>website</Title>
<Body>
text text text
<Div>xxxxx</Div>
</Body>
</Html>
ending text

所以，我应该只获得“一些文本在这里”和“结束文本”....每个标签内的所有html +文本都不应该被扣除。

另一个例子：

abcdef<div>xyz</div>

它应该返回“abcdef”

任何方法或建议都将不胜感激。谢谢

Answer 1

我个人不会使用正则表达式。我不知道你是否可以有替代方案，但是如果你可以将HTML片段加载到某种DOM中，那么你应该能够轻松地找到所有标签和子节点并将其剥离。

我看不到您的示例，但如果您确实遇到外部文本始终位于文本开头或结尾的特殊情况，那么此类内容应该有效：

带有第一个和第二个括号的

^(.*?)<.*>(.*?)$与您想要的文字相匹配。但是，如果你可以

text<b>HTML</b>text<b>HTML</b>text

当然，对于希望输出为“texttexttext”的多重嵌套HTML的更糟糕的情况，我认为正则表达式可能非常复杂。

Answer 2

Don't use regex to parse (X)HTML!

相反，请使用XML解析器。或许HtmlCleaner会有所帮助吗？从this answer开始，以下代码段说明了语法。

TagNode root = htmlCleaner.clean( stream );
Object[] found = root.evaluateXPath( "//div[id='something']" );
if( found.length > 0 && found instanceof TagNode ) {
    ((TagNode)found[0]).removeFromTree();
}

如果您对可以选择各种html代码段感到满意，那么您只需从输入流中删除其内容，只留下周围的文字。

Answer 3

搜索

(.*?)<.*>(.*?)

并替换为

$1 $2

假设HTML文档之前或之后的文本从不包含＆lt;或者＆gt;。如果这是可能的，事情会变得复杂一些。根据文件的内容，您可以删除从起始HTML标记或doctype到结束HTML标记的所有内容（忽略大小写）：

(.*?)<(doctype|html).*</html>(.*?)

并替换为

$1 $3

如何删除HTML标记除了文本完全在每个标记之外？

3 个答案: