正则表达式解析格式错误的无序列表

Question

我正在处理网站迁移。不幸的是，旧网站上的无序列表元素是在不使用ul标签的情况下进行格式化的。因此，我想将以下错误标记解析为常见的HTML ul标记：

<p class="bodytext">
	•&nbsp;&nbsp;&nbsp; This is some random text.<br>
	•&nbsp;&nbsp;&nbsp; This is some other random text.<br>
	•&nbsp;&nbsp;&nbsp; This is another random text.
</p>

重要事实：

• 我们处于post元素的上下文中，因此有很多正文文本类
• 最后一个列表元素没有br标签
• 所有列表元素都具有“ bull”和3x“＆nbsp”
• 列表元素的数量是可变的

我考虑过一个正则表达式，但我不知道要解决上述问题，尤其是如何在不使用

的情况下“检测”要替换的位置以及如何匹配最后一个列表项

任何帮助都会得到赞赏。

Answer 1

如评论中所述，用正则表达式is a bad idea解析HTML。

如果您理解了这一点，但仍然想继续使用regexp，则可以执行以下操作：

1。插入<ul></ul>标签：

regexp：

(<p class="bodytext">)(.+?)(<\/p>)

替换为：

<ul>\2</ul>

给予

<ul>
    •&nbsp;&nbsp;&nbsp; This is some random text.<br>
    •&nbsp;&nbsp;&nbsp; This is some other random text.<br>
    •&nbsp;&nbsp;&nbsp; This is another random text.
</ul>

DEMO

2。插入<li></li>标签

正则表达式：

(•&nbsp;&nbsp;&nbsp; )(.+?)(<br>|)(\n)

替换为：

<li>\2</li>\n

礼物：

<ul>
    <li>This is some random text.</li>
    <li>This is some other random text.</li>
    <li>This is another random text.</li>
</ul>

DEMO

Answer 2

您可以分两个步骤进行操作：

1. 使用模式：<([^ ?]+).*>((?=[^<]*•&nbsp;&nbsp;&nbsp;)[\w\W]+)<\/(\1)>。

<([^ ?]+).*>和<\/(\1)>确保您将拥有匹配的标签（打开和关闭），这要归功于对第一个捕获组\1的反向引用。

由于积极的前瞻性，它将仅匹配包含列表的元素： (?=[^<]*•&nbsp;&nbsp;&nbsp;)。

Demo

在第二个捕获组中，您将拥有所有列表元素，因此可以将其替换为：<ul>\2</ul>。现在您将拥有类似的内容：

<ul>
  •&nbsp;&nbsp;&nbsp; This is some random text.<br>
  •&nbsp;&nbsp;&nbsp; This is some other random text.<br>
  •&nbsp;&nbsp;&nbsp; This is another random text.
</ul>

1. 将所有出现的•   替换为<li>