Question

我有一堆我想要合并的html文件，并且只想获取实际的内容。但是，在为此找到正确的正则表达式时遇到了一些麻烦。基本上，我正在尝试删除某些边界之前，之间以及之后的所有内容。它有点类似于Regular expression to match a line that doesn't contain a word?，但是我觉得更复杂。我没有运气。

源数据：

Stuff I dont need before

<div id="start">
blablabla11
blablabla12
<div id="end">

Stuff I dont need in the middle1

<div id="start">
blablabla21
blablabla22
<div id="end">

Stuff I dont need in the middle2

<div id="start">
blablabla31
blablabla32
<div id="end">

Stuff I dont need in the end

所需结果：

<div id="start">
blablabla11
blablabla12
<div id="end">

<div id="start">
blablabla21
blablabla22
<div id="end">

<div id="start">
blablabla31
blablabla32
<div id="end">

上下文：我在Sublime（Mac）-> Perl Regex

中工作

我目前的方法是基于逆匹配/正则表达式（我知道，围绕该主题有很多关于措词/方法/丑陋性的讨论，但是我不必担心，因为我需要完成工作）：

Find: (?s)^((?!(<div id="start">)(?s)(.*?)(<div id="end">)).)*$
Replace: $3

还有许多其他变体，我一直在测试和玩耍。但是，结果为：

blablabla11
blablabla12

<div id="start">

blablabla21
blablabla22

<div id="start">

blablabla31
blablabla32

<div id="start">

很好，但还没有。无论我在尝试什么，我都会陷入其他问题。我猜菜鸟在工作。

非常感谢您的帮助！

克里斯

编辑：感谢您的第一个答案！但是，我必须承认，我的最小示例有点误导（因为太容易了）。实际上，我面临着数百个复杂而多样的html文件，它们组合成一个大文件。唯一的共同点是，每个html文件的内容都以已知字符串（在此简化为）开头，并以已知字符串（在此简化为）结束。这样的内容显然具有不同的标签等负载。因此，仅测试打开和关闭标签并不会削减

Answer 1

您可能会寻找

(?s).*?(<div id="start">.*?<div id="end">)(?:(?:(?!<div id="start">).)*$)?

，并替换为$1\n\n。参见regex demo。

详细信息

(?s)-DOTALL修饰符，.现在可以匹配任何字符
.*?-任意0个以上的字符，尽可能少
(<div id="start">.*?<div id="end">)-第1组：<div id="start">，尽可能少包含0个字符，以及<div id="end">
(?:(?:(?!<div id="start">).)*$)?-匹配1或0出现的可选非捕获组
- (?:(?!<div id="start">).)*-0个或多个出现的任何字符，都不会启动<div id="start">字符序列（也称为tempered greedy token）
- $-字符串的结尾。

RegEx：从多个串联的HTML文件中获取内容

1 个答案: