正则表达式与条件html标记

Question

我需要编写一个Regex来捕获特定HTML标记内的内容：

<span class="sentences">CAPTURE HERE</span>

所以我在C＃写道：

<span class=\"sentence\">((.|\\\\s)*?)</span>

我遇到的问题并且我不确定如何解决它，该范围内还有另一个span类，也以＆lt; / span＆gt;结尾因此结束了对错误结束标记的捕获。如何在Regex中编写一个条件，检查是否有另一个不是“句子”的span类，如果有，则捕获应该在下一个＆lt; / span＆gt;上结束？

Regex上的输入字符串。

<span class="sentence">O que a história da escravidão tem a dizer sobre <span class="CharOverride-15">experiências religiosas</span>?</span><span class="sentence"> Só silêncios,</span>

我想要理想的捕获：

O que a história da escravidão tem a dizer sobre <span class="CharOverride-15">experiências religiosas</span>? Só silêncios,

Answer 1

不要使用Regex来解析html。使用真正的html解析器，如HtmlAgilityPack

var doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(htmlstring);
var span = doc.DocumentNode.SelectSingleNode("//span[@class='sentence']");
var text = span.InnerText;
var html = span.InnerHtml;

Answer 2

作为练习（首选html解析库），这里有一个可以使用或不使用嵌套标记进行解析的正则表达式：

<([^>]+)(?:\s+[^>]*)?>[^<>]*?(?:<([^>]+)(?:\s+[^>]*)?>)?(?<capture>[^<>]+)(?:<\/\2>)?[^<>]*?<\/\1>