Question

给出这样的字符串：

<a href="http://blah.com/foo/blah">This is the foo link</a>

...和像“foo”这样的搜索字符串，我想强调HTML文本中出现的所有“foo” - 但不在标签内。换句话说，我想得到这个：

<a href="http://blah.com/foo/blah">This is the <b>foo</b> link</a>

但是，简单的搜索和替换不起作用，因为它将匹配＆lt; a＆gt;中的部分网址。 tag的href。

因此，要以问题的形式表达以上内容：如何限制正则表达式以使其仅匹配HTML标记之外的文本？

注意：我保证所讨论的HTML永远不会像病态一样：

<img title="Haha! Here are some angle brackets to screw you up: ><" />

编辑是的，当然我知道CPAN中有复杂的库可以解析最令人发指的HTML，从而减少了对这种正则表达式的需求。在很多场合，这就是我会用的。但是，这不是其中之一，因为保持此脚本简短而没有外部依赖性非常重要。我只想要一行正则表达式。

编辑2：同样，我知道Template :: Refine :: Fragment可以解析我的所有HTML。如果我正在编写应用程序，我肯定会使用这样的解决方案。但这不是一个应用程序。它只不过是一个shell脚本。这是一个一次性代码。在这种情况下，作为一个可以传递的单个自包含文件非常有价值。 “嘿，运行这个程序”是比一个简单得多的指令，“嘿，安装一个Perl模块然后运行它 - 等等，什么，你以前从未使用过CPAN？好的，运行perl -MCPAN -e shell（最好作为根）然后它会问你一堆问题，但你真的不需要回答它们。不，不要害怕，这不会破坏任何东西。看，你不需要仔细回答每一个问题 - 只要一遍又一遍地输入。不，我保证，它不会破坏任何东西。“

现在将上述内容扩散到大量用户身上，他们想知道为什么他们一直在使用的简单脚本不再那么简单，当所有改变的是使搜索词变为粗体时。

因此，虽然Template :: Refine :: Fragment可能是其他人的HTML解析问题的答案，但它不是此问题的答案。我只想要一个正则表达式，它适用于非常有限的HTML子集，实际上会要求脚本解析。

Answer 1

如果您可以绝对保证HTML中没有尖括号，而不是用于打开和关闭标签的尖括号，这应该有效：

s%(>|\G)([^<]*?)($key)%$1$2<b>$3</b>%g

Answer 2

通常，您希望将HTML解析为DOM，然后遍历文本节点。我会使用Template :: Refine：

#!/usr/bin/env perl

use strict;
use warnings;
use feature ':5.10';

use Template::Refine::Fragment;

my $frag = Template::Refine::Fragment->new_from_string('<p>Hello, world.  <a href="http://foo.com/">This is a test of foo finding.</a>  Here is another foo.');

say $frag->process(
    simple_replace {
        my $n = shift;
        my $text = $n->textContent;
        $text =~ s/foo/<foo>/g;
        return XML::LibXML::Text->new($text);
    } '//text()',
)->render;

输出：

<p>Hello, world.  <a href="http://foo.com/">This is a test of &lt;foo&gt; finding.</a>  Here is another &lt;foo&gt;.</p>

无论如何，不要使用正则表达式解析结构化数据。 HTML不是“常规”，而是“无上下文”。

编辑：最后，如果你在程序中生成HTML，并且你必须在字符串上进行这样的转换，“UR DOIN IT WONG”。您应该构建一个DOM，并且只在转换完所有内容后对其进行序列化。（但是，您仍然可以通过new_from_dom构造函数使用TR。）

Answer 3

以下正则表达式将匹配标记之间或标记之外的所有文本：

<.*?>(.*?)<.*?>|>(.*?)<

然后你可以根据需要对它进行操作。

Answer 4

试试这个

(?=>)?(\w[^>]+?)(?=<)

它匹配标签之间的所有单词

Answer 5

要从甚至嵌套的标签中剥离可变大小的内容，您可以使用此正则表达式实际上是一种迷你常规语法。（注意：PCRE机器）

（？＆LT; =＆GT）（（？：？\ W +）（：\ S *））（α1）*

如何匹配HTML中不在标签内的文本？

5 个答案: