从HTML标记中提取文本

Question

我想从HTML标记之间提取静态文本：

<p>
text here
<span> text here <b>too</b></span>
</p>

到目前为止我有这个正则表达式：

(&lt;|<)[\s\/\?]*(\w+)(?<attributes>.*?)[\s\/\?]*(&gt;|>)(\n|.)*?<\/\2>

我不想使用HTML解析器。任何帮助。谢谢！

Answer 1

使用RegEx解析HTML是坏主意（tm）。

查看here，here和here，了解有关此主题的更多/更好的智慧词汇。

Answer 2

使用正则表达式解析HTML通常是一个坏主意，但这并不是您在这里尝试做的。你真正想要的就是删除HTML标签。在您的示例中，您尝试匹配标记并解析属性。但你不需要这样做。

如果以下假设成立：

• 您不需要摆脱HTML实体
• 您的代码未定义任何空格（即您不关心<p>分隔段落）
• 您没有任何评论或文档类型

然后您需要做的就是去除模式</?[^>]+>。

Escaped，在vim中，这是：

s/<\/\?[^>]\+>//g