HTML中如何利用正则表达式去除tr td标签
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了HTML中如何利用正则表达式去除tr td标签相关的知识，希望对你有一定的参考价值。
我要把Table里面的数据导出到Excel文件中 但是导出来的数据里面不只有数据库的数据 tr td 标签也一并导出来了 如何解决
1.php替换//原内容
$content = "<tanle><tr><td>这是第一个td内容</td><td>这是第二个td内容</td></tr></table>";
//匹配模式
$preg = '/<.*?>/is';
//所有的html标签都将被替换成空字符串
$content = preg_replace($preg,'',$content);
//在页面输出
echo $content;
结果：
这是第一个td内容这是第二个td内容
<html>
<head>
<title></title>
<script type="text/javascript">
window.onload = function ()
//获取body文档的内容包括了html标签
var content = document.body.innerHTML;
//匹配模式|查找所有html标签和空白字符
var reg = /<.+?>|\\s+/ig;
//替换符合替换模式的内容为空字符串，相当于删除
content = content.replace(reg,'');
//弹出结果
alert(content);
</script>
</head>
<body>
<table>
<tr>
<td>这是第一个td内容</td>
<td>这是第二个td内容</td>
<td>这是第三个td内容</td>
</tr>
</table>
</body>
</html> 参考技术A 在浏览器中直接选中复制,然后粘贴进excel可以么?
用于解析 HTML 表格的正则表达式？
【中文标题】用于解析 HTML 表格的正则表达式？【英文标题】：Regex for parsing HTML tables? 【发布时间】：2020-03-14 06:22:55 【问题描述】：我已经尝试了很多不同的正则表达式，但找不到解决方案。
我需要一个正则表达式来查找：
<tr>
<td>XYZ</td>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
这是我目前所拥有的：
<tr>\s*<td.*?>(.*?)</td>\s*<td.*?>(.*?)</td>\s*</tr>(\s*<tr>\s*<td>.*?</td>\s*</tr>)*
所以第一个<tr> 块必须包含两个<td> 标记，所有后续（0 个或多个）<tr> 标记必须只包含1 个<td> 标记。
非常感谢。
【问题讨论】：
不要使用正则表达式来解析 HTML。使用 HTML 解析器。 @Andreas 是的，我知道，但这是大学的任务，我们必须使用正则表达式。通常我用 HTML 解析器来做 :( 请告诉给你这些问题/答案的人：***.com/questions/1732348/…、Can you provide some examples of why it is hard to parse XML and HTML with a regex?、Using regular expressions to parse HTML: why not?。 但只是为了“好玩”，让我们来处理这个正则表达式。您面临哪些问题？到目前为止你有什么？ @Pshemo 我的正则表达式到目前为止看起来像这样：<tr>(.*?<td.*?>(.*?)</td>)2.*?</tr>(.*?<tr>.*?<td>(.*?)</td>.*?</tr>)*?
【参考方案1】：
用正则表达式处理 HTML 标签是有问题的；如果可能的话，应该使用 HTML 解析。让我们举一个识别（虚构）标签<a> 和<b> 的简单案例。为了简单起见，我们假设我们不必担心这些标签或空白区域的属性。我们有兴趣识别嵌套在<a> 标记中的单个<b> 标记，例如：
<a><b>1</b></a>
“明显”但不正确的正则表达式是：
<a><b>.*?</b></a>
它会匹配上面的例子，但它也会匹配：
<a><b>1</b><b>2</b></a>
即使.*? 不是贪心，它也是贪婪的，它试图将输入的其余部分与正则表达式的其余部分进行匹配。
您需要将 .*? 替换为不会扫描结束 </b> 标记的内容：
((?!</b>).)*
这表示只要下一个字符不是结束 </b> 标记，就再扫描一个字符。为了更好地衡量，您可能还需要确保不要跳过另一个 <a> 标记的开头：
((?!(<a>|</b>)).)*
所以最终的正则表达式变为：
<a><b>((?!(<a>|</b>)).)*</b></a>
无论如何，这就是我所采取的方法。因此，当前问题的正则表达式变得相当复杂。
我的理解是，您正在寻找一个带有两个嵌套 <td> 标记的 <tr> 标记，然后是 0 个或多个 <tr> 标记和一个嵌套 <td> 标记。如果我直截了当，那么正则表达式是：
"(?s)<tr[^>]*>(\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*)2\\s*</tr>(\\s*<tr[^>]*>\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*</tr>)*"
代码：
import java.util.regex.Pattern;
import java.util.regex.Matcher;
import java.util.regex.MatchResult;
public class Test
public static void doMatch (String s)
Pattern pattern = Pattern.compile("(?s)<tr[^>]*>(\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*)2\\s*</tr>(\\s*<tr[^>]*>\\s*<td[^>]*>((?!(<tr|</td)).)*</td>\\s*</tr>)*");
Matcher matcher = pattern.matcher(s);
while (matcher.find())
MatchResult m = matcher.toMatchResult();
System.out.println("Match: " + m.group(0));
public static void main(String[] args)
String s = "<tr>\n <td>XYZ</td>\n <td><tag1>abc\ndef</tag2></td>\n</tr>\n<tr>\n <td>XYZ</td>\n</tr>\n<tr>\n <td>XYZ</td>\n</tr>";
Test.doMatch(s);
s = "<tr><td>1></td><td>2</td></tr><tr><td>3></td><td>4</td></tr><tr><td>5></td><td>6</td></tr><tr><td>7</td></tr>";
Test.doMatch(s);
打印：
Match: <tr>
<td>XYZ</td>
<td><tag1>abc
def</tag2></td>
</tr>
<tr>
<td>XYZ</td>
</tr>
<tr>
<td>XYZ</td>
</tr>
Match: <tr><td>1></td><td>2</td></tr>
Match: <tr><td>3></td><td>4</td></tr>
Match: <tr><td>5></td><td>6</td></tr><tr><td>7</td></tr>
【讨论】：
【参考方案2】：这是从网页源代码中提取 HTML 表格的正则表达式格式：
(?is)<tr.*?>.*?(?:<td.*?>(.*?)<\/td>\s*)(?=(?:<td.*?>(.*?)<\/td>)?).*?<\/tr>
您可以在任何编程语言中应用上述格式。这取决于所使用的语言如何处理正则表达式。
【讨论】：
<code>? --- 你为什么要逃避/？ Java 正则表达式不需要那个。 --- (?: ) 非捕获组的目的是什么？
这不能按预期工作。我不是专家，但我需要“计算”TD-Tag 的出现次数。如何实现？以上是关于HTML中如何利用正则表达式去除tr td标签的主要内容，如果未能解决你的问题，请参考以下文章
java 利用jsoup 如何去除一段代码中的所有html标签，只留纯文本