什么正则表达式将匹配文本，不包括 HTML 标记中的内容？

Posted 2023-04-13

【中文标题】什么正则表达式将匹配文本，不包括 HTML 标记中的内容？

【英文标题】：What regex will match text excluding what lies within HTML tags?

【发布时间】：2010-09-15 20:08:01

【问题描述】：

我正在为需要突出显示搜索词的搜索结果页面编写代码。这些术语恰好出现在表格单元格中（应用程序正在遍历 GridView 行单元格），并且这些表格单元格可能包含 html。

目前，我的代码如下所示（相关大块如下所示）：

const string highlightPattern = @"<span class=""Highlight"">$0</span>";
DataBoundLiteralControl litCustomerComments = (DataBoundLiteralControl)e.Row.Cells[CUSTOMERCOMMENTS_COLUMN].Controls[0];

// Turn "term1 term2" into "(term1|term2)"
string spaceDelimited = txtTextFilter.Text.Trim();
string pipeDelimited = string.Join("|", spaceDelimited.Split(new[] " ", StringSplitOptions.RemoveEmptyEntries));
string searchPattern = "(" + pipeDelimited + ")";

// Highlight search terms in Customer - Comments column
e.Row.Cells[CUSTOMERCOMMENTS_COLUMN].Text = Regex.Replace(litCustomerComments.Text, searchPattern, highlightPattern, RegexOptions.IgnoreCase);

令人惊讶的是它的工作原理。但是，有时我匹配的文本是如下所示的 HTML：

<span class="CustomerName">Fred</span> was a classy individual.

如果您搜索“class”，我希望突出显示代码将“class”包装在“classy”中，但当然不是恰好在其中的 HTML 属性“class”！如果您搜索“Fred”，则应突出显示。

那么，有什么好的正则表达式可以确保匹配只发生在 html 标签之外？它不必是超级硬核。我认为只要确保匹配不在 之间就可以了。

【问题讨论】：

如果有人在您的示例中搜索 Fred，是否应该突出显示？

是的。谢谢你的慰问。好问题。我将编辑问题。

【参考方案1】：

这个正则表达式应该可以完成这项工作：(?<!<[^>]*)(regex you want to check: Fred|span) 它检查从匹配字符串开始向后退的正则表达式 <[^>]* 是不可能匹配的。

修改后的代码如下：

const string notInsideBracketsRegex = @"(?<!<[^>]*)";
const string highlightPattern = @"<span class=""Highlight"">$0</span>";
DataBoundLiteralControl litCustomerComments = (DataBoundLiteralControl)e.Row.Cells[CUSTOMERCOMMENTS_COLUMN].Controls[0];

// Turn "term1 term2" into "(term1|term2)"
string spaceDelimited = txtTextFilter.Text.Trim();
string pipeDelimited = string.Join("|", spaceDelimited.Split(new[] " ", StringSplitOptions.RemoveEmptyEntries));
string searchPattern = "(" + pipeDelimited + ")";
searchPattern = notInsideBracketsRegex + searchPattern;

// Highlight search terms in Customer - Comments column
e.Row.Cells[CUSTOMERCOMMENTS_COLUMN].Text = Regex.Replace(litCustomerComments.Text, searchPattern, highlightPattern, RegexOptions.IgnoreCase);

【讨论】：

非常感谢！你救了我的一天！ :)

这是一段很棒的代码。你应该得到比你得到的更多的选票。非常感谢。

4 年后，您的回答又帮助了另一个人。谢谢！

【参考方案2】：

您可以将正则表达式用于平衡组和反向引用，但我强烈建议您在此处使用parser。

【参考方案3】：

嗯，我不是 C# 程序员，所以我不知道它使用的正则表达式的味道，但 (?!<.>) 应该忽略标签内的任何内容。它会强制你在 HTML 代码中使用 < >，但无论如何你都应该这样做。

【讨论】：

为了匹配我在示例中描述的“类”，“类”这个词在你的正则表达式中应该放在哪里？我不明白如何使用你的正则表达式。就其本身而言，它似乎匹配整个短语中的每个字符位置。

正则表达式 "(?!<.>)" 只是一个否定的前瞻；它说，“从这个位置来看，我们不会看到看起来像标签的东西。”它不会匹配任何东西，也不会阻止匹配标签内部或外部的任何东西。

【参考方案4】：

编写一个可以处理 CDATA 部分的正则表达式会很困难。您可能不再假设 > 关闭标签。

例如，"<span class="CustomerName>Fred.</span> is a good customer (<![CDATA[ >10000$ ]]> )"

解决方案是（如前所述）解析器。他们在处理您在CDATA 中发现的那种混乱方面要好得多。 madgnome 的向后检查不能用于从]]> 中查找起始<![CDATA，因为CDATA 部分可能包含文字<![CDATA。

【讨论】：

我知道解决方案并不完美，但权衡了所有的起起落落，这是我迄今为止找到的最好的解决方案。