正则表达式解析HTML表格

Question

我正在尝试删除HTML文件中的表格，特别是对于以下文档，我想删除标记<TABLE....> and </TABLE>中的任何内容。该文档包含多个表格，其中包含文本。

然而，我提出的表达式<TABLE.*>\s*[\s|\S]*</TABLE>\s*将删除表之间的文本。实际上，它会删除第一个<TABLE>和最后一个</TABLE>标记之间的所有内容。我想保留两者之间的文本，只删除表格。任何建议都非常感谢。谢谢。

====================

<TABLE STYLE=xxx, Font=yyy, etc>

table texts that should be DELETED...

</TABLE>


other texts that should be KEPT...


<TABLE STYLE=xxx, Font=yyy, etc>

table texts that should be DELETED...

</TABLE>

 ==========================================

Answer 1

答案是使用HTML或SGML解析器，.NET有一些：

http://htmlagilitypack.codeplex.com/

SGML parser .NET recommendations

如果您绝对想要使用正则表达式，请熟悉balancing groups，否则嵌套表将会中断。这并不容易，并且可能比常规SGML解析器执行得慢得多。但请注意：看到你的表情，我认为你是一个正则表达式的新手（提示：不惜任何代价避免贪婪.匹配），所以这可能还不是你的一杯茶。

Answer 2

因为即使我告诉你 你真的应该 ，我知道你不会去看HTML解析器，我只会回答这个问题。

这只匹配表：

<table.*?>.*?</table>

它需要两个选项：dotall和ignoreCase。

您可以在此处试用：http://gskinner.com/RegExr/

现在考虑使用Lucero建议的HTML Agility Pack吗？

编辑：也许这就是你的意思，抱歉：