Question

我有这样的HTML内容：

The bedding was hardly able to cover it and seemed ready to slide off any moment.

这是HTML的完整版本。 http://collabedit.com/gkuc2

我需要搜索字符串hardly able to cover（仅作为示例），我想忽略我正在寻找的字符串中的任何HTML标记。因为在HTML文件中，字符串中有HTML标记，而简单的搜索无法找到它。

用例是：我有两个版本的文件：

包含文字和标签的HTML文件
相同的文件，但仅包含原始文本（删除任何标记和额外空格）

我要搜索的子字符串（针）来自文本版本（不包含任何HTML标记），我想在HTML版本中找到它的位置（有标签的文件。）

什么是正常表达式？

Answer 1

把它放在每个字母之间：

(?:<[^>]+>)*

并用以下内容替换空格：

(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*

像：

h(?:<[^>]+>)*a(?:<[^>]+>)*r(?:<[^>]+>)*d(?:<[^>]+>)*l(?:<[^>]+>)*y(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*a(?:<[^>]+>)*b(?:<[^>]+>)*l(?:<[^>]+>)*e(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*t(?:<[^>]+>)*o(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*c(?:<[^>]+>)*o(?:<[^>]+>)*v(?:<[^>]+>)*e(?:<[^>]+>)*r

如果你想让标签打破单词，你只需要每个字母之间的那些，例如：This is bold

这是没有信件中断的：

hardly(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*able(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*to(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*cover

这适用于大多数情况。但是，如果Html格式错误，其中＆lt;或者＆gt;不是htmlencoded，你可能遇到问题。此外，它可能会破坏脚本块或CDATA部分的其他元素。

Answer 2

尝试将文本保存在变量或其他内容中，然后删除所有标记并执行常规搜索。您可以使用简单的php函数strip_tags()。

修改因此，您可能会尝试查找第一个和最后一个单词（或者只是首先然后使用结果的其余部分来查找字符串），然后解析结果并删除标记并检查它是否是您要查找的那个。喜欢使用正则表达式：几乎不盖甚至几乎不 $ 并保存每个结果的位置。然后在结果上使用strip_tags（）并分析每个结果（如果它是您想要的结果）。我知道这是一种奇怪的解决方案，但你可以避免无休止的正则表达式等。

正则表达式：忽略html标签

2 个答案: