Question

我在网页中有一个TextBox，我正在使用javascript来解析和修改HTML格式。 90％的效果非常好，我试图支持的最后一个主要功能是从word文档中复制和粘贴。我完全得到了它，我只是坚持寻找列表并将它们包装在UL标签中。

因此，使用正则表达式，我想在此文本中找到列表：

<p>paragraph goes here

<li>goes here<br/>
<li>list item 2<br/>
<li>list item 3<br/>

<p>another paragraph

并使用<li>标记包装<ul>部分。我的正则表达不是那么好，有人可以帮忙吗？

-----更新-----

虽然我很感谢所有反馈，基本上表明我需要从头开始解决这个问题，但我没有时间这样做。我完全理解正则表达式不是处理HTML格式的理想方式，但我现在如何使用它，它将处理我的用户希望做的大部分工作。我只需要HTML标签的子集，而不是完整的HTML编辑器。

我的内容来源是用户从word文档（约99.9％）复制和粘贴的时间。我使用正则表达式将HTML标记插入纯文本。对于列表，我发现子弹字符MS word插入其复制的文本中，并用<LI>标记替换它。我只是想让<LI>标签包裹<UL>标签更加用户友好。

我会考虑能够正确地结束我的标签，所以..假设它们已正确结束，用<ul>标签包装我的列表项的正则表达式是什么？

谢谢！

Answer 1

有些人在面对问题时会想“我知道，我会使用正则表达式”。现在他们有两个问题。 - 杰米·扎温斯基

正则表达式和HTML特别不合适。
这是2009年，在HTML中使用结束标记。（如果你真的希望正确使用你的html，那将对你有所帮助。
如果您已在浏览器中使用此页面，请使用DOM！让浏览器为您解析HTML（如果必须，将其推送到隐藏的div中）并导航生成的DOM树。

Answer 2

Don't parse HTML with regexes。 Instead, use a real HTML parser

很抱歉，如果我的答案感觉不实际，但几乎每天都会问这个问题，而且你的要求（在我看来）对正则表达式来说太复杂了。

此外，您的所有代码均未关闭。你应该这样写：

<p>paragraph goes here</p>

<li>goes here</li>
<li>list item 2</li>
<li>list item 3</li>

<p>another paragraph</p>

我的HTML可能已关闭，但您应真正关闭所有代码。

Answer 3

我同意James和Chris，一般来说使用正确的解析器真的好多了，我看到人们以其他方式做错了（我假设你没有完全控制HTML）在这里输入，在这种情况下像正则表达式的快捷方式可能工作正常）。

我们假设你现在正在使用Java。如果您知道输入是有效的XHTML而不是HTML，则可以使用Sun Java JDK附带的Java API for XML Processing（JAXP）。然后在几行中，您可以将XHTML解析为DOM树，然后向下搜索列表的节点并随意执行任何操作。 JAXP有一个学习曲线，但它非常值得。

如果您使用的是Groovy，那就是XMLSlurper。 Ruby有几个很好的XML库。 PHP具有XMLParser扩展。 Python有Beautiful Soup。几乎任何现代语言都有很好的选择。

现在根据你的例子，你不拥有正确的XML化的XHTML，而是带有未封闭标签和其他恶意软件的疯狂HTML。如果是这种情况，您需要获取一个HTML解析器库，大约为HTMLParser。祝你好运！

Answer 4

假设所有元素都有结束标记，并且没有人通过在开始或结束标记中添加空格而变得聪明，并且某些元素在列表项之前，所有你必须这样做（在Perl语法中，可能与PCRE兼容）库，减去m//运算符）：

m/(?<!li)>[^<]*<li/i

标识组中的第一个列表项。爆炸（使用x标志，以便于阅读）：

m/
    (?<!li)> # the end of a start or end tag that isn't part of an li element
    [^<]*    # some non-angle-bracket characters -- in-between tag content
    <li      # the beginning of an li element
/xi          # space insensitive, case insensitive (respectively)

然后你可以更自信地通过下一个区块，列表项目之间不会发生任何事情，直到你读完它，保存那个位置，并再次使用这个模式。

如果没有解析器，弄清楚它的结束位置会更加棘手。你可以使用类似的东西（这是删节）

m/(?<=<li).*?<(div|form|p)/i

列出所有非内联元素，这将触发li和ul关闭并结束整个列表。但列表关闭隐含的另一种方法是关闭容器。

如果list-item元素本身格式正确（有结束标记），那么这可能足以放置列表的结束标记：

m{</li>.*?<(?!li)}i

使用正则表达式在HTML中查找列表的开头

4 个答案: