用正则表达式匿名化html

Question

我正在尝试使用正则表达式对HTML字符串进行匿名处理，以进行SQL查询。

https://regex101.com/r/QWt1E1/1

(?<!\<)[^<>\s](?!\>)

<p><em>Hi [User</em></p>
<p><em>Tack f&ouml;r visat intresse.</em></p>
<p><em>Good luck!</em><em>&nbsp;</em></p>
<p><em>Sincerely</em></p>

<p><em>nn nnnnn</nm></p>
<p><em>nnnn nnnnnnnn nnnnn nnnnnnnnn</nm></p>
<p><em>nnnn nnnnn</nm><em>nnnnnn</nm></p>
<p><em>nnnnnnnnn</nm></p>

计划是用n代替<>中的每个字符。 它几乎可以工作，但是在我的示例中，它替换了e中的</em>。不知道为什么以及如何解决。

如何调整正则表达式以不替换示例中的e？

Answer 1

对[^<>]*>的负向搜索，而不是对>的负向搜索，以确保在当前位置后没有其他任何尖括号之前的>（因为这表明您当前在在标签内）。

这还意味着您可以将外观抛在后面：

[^<>\s](?![^<>]*>)
          ^^^^^^

https://regex101.com/r/QWt1E1/3

仍然，如果可能的话，最好使用HTML解析器解析HTML