正则表达式匹配除<p>和</p>之外的所有HTML标记和标记内容

Question

我正在寻找匹配所有HTML标记的正则表达式，但<p>和</p>除外，其中包含标记内容。我正在开发ColdFusion。

除了<p>和</p>之外，还有earlier post个匹配标记，但我还需要抓取标记之间的所有内容。例如，以下内容应完全匹配：

<a href="http://www.google.com">Google</a>

和

<em>Some text here</em>

但不是

<p>Some text and tags here</p>

关于如何实现这一目标的任何想法？

Answer 1

使用正则表达式解析HTML非常困难和痛苦。

最好使用某种基于DOM的解析器并找到所需的元素。

Answer 2

有时将正则表达式与一些额外的检查结合起来会更容易。

所以\<.*?\>.*?\<\/.*?\>应匹配<..>...</..>之类的标签之间的任何内容。然后，您可以通过编程方式检查<..>和</...>分别不是<p>和</p>。如果你将它们分组ala，那么检查这个可能是最简单的：

(\<.*?\>).*?(\<\/.*?\>)

然后检查以确保$1和$2（或者您在环境中进行反向引用）不是段落打开和关闭标记。

.*?指定最小匹配;我假设你的正则表达式环境支持它。

Answer 3

你还没有说过你要做什么，但是使用XmlParse函数创建一个XML DOM，然后对此进行处理，你会有一个很好的改变。

Answer 4

这有用吗？我只做了一些检查，但似乎：

Regex expr = new Regex(@"<([A-OQ-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1>", RegexOptions.IgnoreCase);

我刚复制过＆amp;粘贴了C＃代码。要获取标记之间的所有内容，您需要使用\ 1，然后您需要关闭区分大小写，因此IgnoreCase或-i或您正在使用的任何工具都提供该选项。如果你的工具不这样做，那么你将不得不做A-Oa-oq-zQ-z等。只是正则表达式：

<([A-OQ-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1>

请注意，这会记录匹配独立标记，但应该让您入门。