正则表达式识别所有错误的HTML特殊字符

Question

我有一个包含多个特殊字符的大型HTML，格式为 或"�。

其中一些是错误的，因为他们缺少初始＆amp; 。

我想搜索错误的空间字符。我知道我可以通过以下正则表达式搜索所有正确的特殊字符：

       \&(?:[a-z]+|#x?\d+);\

但是我需要正则表达式来搜索错误的（没有初始＆amp;）。 你能帮助我吗？ 提前致谢

编辑：

正如所建议的那样，我将发布一个例子。我的HTML包含以下声明：

   <![CDATA[<nolink>blablabla&nbsp;blablabla</nolink>]]>quot;

我们有2个特殊的HTML字符：

•  
• quot;

我有兴趣找到第二个项目，因为它是错误的（laking the initial＆amp;）。

因此请求的正则表达式的输出应为：quot;

Answer 1

你可以建立

&

添加你需要的“特殊字符”。

这个简单的一个匹配一个序列，而不是一个(?<!&)（负面的lookbehind #确保那个），那是

• NBSP
• QUOT
• 一个十六进制数字，前缀为#[0-9a-f]+（\b）

（添加不区分大小写的标志以使十六进制字符能够为大写。）

See it here at regex101

修改
在“单词实体”之前添加了对分词（(?<!&)(?:\b(?:[a-z]{2,8}\d{0,2})|#[0-9a-f]+); ）的检查，以确保它与部分实体（如果有）不匹配。

编辑2
要使通用重新匹配所有实体（可能还有其他非实体单词），请尝试

{{1}}

Here at regex101

Answer 2

我试过了：\s(?!&)[A-Za-z0-9]+;

使用

在Regex101尝试

&wudhilweuh212313i9dioed;  wcihecrehc; &wkjdnwkne13131; eiou2ei; 1121i2093;
qeoidjwidw29i1291; 

匹配

wcihecrehc; eiou2ei; 1121i2093;
qeoidjwidw29i1291;

我的例子只是随机性。为什么？据我了解，您希望任何包含A-Z，a-z和0-9字符串的字符串以空白字符开头，后跟&并结束与;。所以我不想让它太受限制。