使用正则表达式删除 html 实体并提取文本内容

Posted 2023-02-23

【中文标题】使用正则表达式删除 html 实体并提取文本内容

【英文标题】：Remove html entities and extract text content using regex

【发布时间】：2014-11-25 11:47:40

【问题描述】：

我有一个仅包含 html 实体的文本，例如 < 和   我需要将其全部删除并仅获取文本内容：

&nbspHello there<testdata>

所以，我需要从这部分获取Hello there 和testdata。有没有办法使用负前瞻来做到这一点？

我尝试了以下方法：/((?!&.+;).)+/ig 但这似乎效果不佳。那么，我怎样才能从那里提取所需的文本呢？

【参考方案1】：

查找 HTML 实体的更好语法是以下正则表达式：

/&([a-z0-9]+|#[0-9]1,6|#x[0-9a-fA-F]1,6);/ig

此语法忽略虚假实体。

【讨论】：

这不一定重要，但值得注意的是，这在技术上并不全面。 &amp、&#123 和 { 都是有效的 HTML 实体，不会与之匹配。

[a-z0-9]+ 匹配 &amp 和类似的形式，而 #[0-9]1,6 匹配从 到