试图用<br/>替换<br/>，<br/>，<br /attribute=""/>标签

Question

我正在尝试将一堆HTML文档转换为XML合规性（通过java方法），并且有很多<br>标记，它们（1）是未闭合的，或者（2）包含属性。出于某种原因，我正在使用的正则表达式不会解决包含属性的标记。这是代码：

htmlString = htmlString.replaceAll("(?i)<br *>", "<br/>");

此代码适用于文档中的所有<br>标记;它用<br/>替换它们。但是，对于像

这样的标签

<BR style="PAGE-BREAK-BEFORE: always" clear=all>

它没有做任何事情。我希望所有br标记都只是<br/>，无论转换前标记中的任何属性如何。

为了达到这个目的，我需要添加到我的正则表达式中？

Answer 1

您可能希望<br\b[^>]*>匹配所有

标签

• 从<br
开始
• 在<br之后进行分词（因此您不会与<brown>代码匹配，例如
• 包含任意数量的非>字符，包括0
• 以>
结尾

Answer 2

您必须使用.*代替*：

htmlString.replaceAll("(?i)<br .*>", "<br/>")
//-----------------------------^^

因为：

  

*将前面的字符或子表达式匹配0次或更多次。

和

  

.*匹配任何字符零次或多次

所以对你的情况来说：

String htmlString = "<BR style=\"PAGE-BREAK-BEFORE: always\" clear=all>";
System.out.println(htmlString.replaceAll("(?i)<br .*>", "<br/>"));

<强>输出

<br/>

Answer 3

此正则表达式将按您的要求执行：<(BR|br)[^>]*>

以下是一个工作示例：Regex101

Answer 4

使用正则表达式解析HTML不是一个好主意，因为HTML不是常规的。您应该使用正确的解析库，如NekoHTML。

  

NekoHTML是一个简单的HTML扫描仪和标记平衡器，可以启用   应用程序员解析HTML文档并访问   使用标准XML接口的信息。解析器可以扫描HTML   文件和＆＃34;修复＆＃34;人（和计算机）的许多常见错误   作者撰写HTML文档。 NekoHTML添加了缺少的父级   要素;自动关闭带有可选结束标记的元素;和   可以处理不匹配的内联元素标记。