仅捕获字符串的一部分而不进行格式化

Question

我正试图仅捕获<em>＆amp;之间的数字。 </em>个标记，没有<b>＆amp;使用基本正则表达式的</b>标记。我试着想办法，也许是外表，但我只是不熟练......但是。以下是原始HTML的示例：

<em>4<b>4</b>9/<b>5</b>-<b>7</b>0</em>

以下是我希望得到的结果：

449570

问题是这些字符串有时会格式化HTML，有时则不然。有时会有额外的-和/符号，有时则不会。我正在使用<em>.*<\/em>，这很简单！

感谢您的帮助：）

Answer 1

如前所述，正则表达式可能不是最简单的解决方案。但是，如果你真的想要使用它，那么你可能最好两次通过：

echo "<em>4<b>4</b>9/<b>5</b>-<b>7</b>0</em>" | sed 's|<[^>]\+>||g' | sed 's|[^0-9]||g'

第一个sed操作会删除所有html标记。第二个删除所有非数字字符。

Answer 2

第一：一如既往，你可能不应该在html上使用正则表达式。总会有边缘情况无法捕捉。

如果您使用的是某种类型的纯正则表达式更是如此，并且由于您没有指定其他任何内容，我将假设您正在使用它。所以真的，不要使用正则表达式。

那说，我会做两个正则表达式 - 捕获字符串，然后从捕获的字符串中分出你不想要的任何标记（记得使用非贪婪的匹配来匹配它们！）

Answer 3

E.g。如果您使用的是javascript，请尝试以下操作：

var str = "<em>4<b>4</b>9<b>5</b><b>7</b>0</em>";
str.replace(/<em>([^e]+)<\/em>/g, function(match, emInner) {
  console.log(emInner.replace(/[^0-9]/g, ''));
});

这会打印449570。

Answer 4

编辑：<em>(?:(?:<b>)?[0-9]*(?:</b>)?)*</em>

编辑2：<em>(?:\D*(\d+)\D*)*?</em>处理混合中的非数字字符，事实上它看起来比第一个简单：）。