使用哪个正则表达式从HTML文本中提取某些单词？

Question

我很难构建正则表达式来从HTML文本中抓取一些单词。

假设我有以下内容：

<p style="padding-left :12px">SOME_TEXT_I_WANT</p><p>SOME_OTHER_TEXT</p>

* SOME_TEXT_I_WANT *和* SOME_OTHER_TEXT *可以是一堆单词，如“SERY RANDOM TEXT”或HTML文本，如“<strong>SOME BOLD TEXT</strong>”

我的目标是用一个正则表达式提取这些文本。

Answer 1

您打算使用哪种语言？该语言是否存在HTML解析器？如果是，请考虑使用解析器。

但是，如果这是“一次性”，您可以能够通过以下方式实现：

#<p[^>]*>(.*?)</p>#

以上内容有一些限制，最明显的是它与<p data-something="a > b">...</p>或嵌套<p>不匹配。 （我无法判断您尝试解析的标记是否实际允许嵌套<p> s - 只是告知您可能存在的陷阱。）

Answer 2

假设您使用的是PHP：

$html = "<p>some text here</p>"
preg_replace("/<.+?>/","", $html);

Answer 3

不要使用正则表达式。如果你问为什么，有一个非常流行的SO post描述了如果你试图使用正则表达式来解析HTML会发生什么。

使用您的语言的HTML或XML解析器，并使用现有功能提取您需要的内容。