用于删除 XML 标记及其内容的正则表达式

Posted 2023-04-13

【中文标题】用于删除 XML 标记及其内容的正则表达式

【英文标题】：Regular expression to remove XML tags and their content

【发布时间】：2010-09-12 09:47:33

【问题描述】：

我有以下字符串，我想删除 <bpt *>*</bpt> 和 <ept *>*</ept>（注意其中的附加标记内容也需要删除）而不使用 XML 解析器（对于小字符串来说开销太大）。

The big <bpt i="1" x="1" type="bold"><b></bpt>black<ept i="1"></b></ept> <bpt i="2" x="2" type="ulined"><u></bpt>cat<ept i="2"></u></ept> sleeps.

VB.NET 或 C# 中的任何正则表达式都可以。

【问题讨论】：

过滤器是什么意思？提炼？消除？请澄清。

避免使用 XML 解析器的原因是什么？

小字符串需要过滤，所以 XML Parser 开销是不可接受的。在这种情况下，过滤器被删除。

可以嵌套在 中吗？或相反亦然？如果是这样，问题就会复杂化。

如果存在任意嵌套，则没有涉及正则表达式的通用解决方案，并且由于嵌套有限，您的正则表达式会变得非常庞大且非常丑陋。

【参考方案1】：

如果您只想从字符串中删除所有标签，请使用此 (C#)：

try 
    yourstring = Regex.Replace(yourstring, "(<[be]pt[^>]+>.+?</[be]pt>)", "");
 catch (ArgumentException ex) 
    // Syntax error in the regular expression

编辑：

我决定在我的解决方案中添加一个更好的选项。如果有嵌入标签，前一个选项将不起作用。这个新的解决方案应该去除所有 标签，无论是否嵌入。此外，此解决方案使用对原始 [be] 匹配的反向引用，以便找到完全匹配的结束标记。此解决方案还创建了一个可重用的 Regex 对象以提高性能，因此每次迭代都不必重新编译 Regex：

bool FoundMatch = false;

try 
    Regex regex = new Regex(@"<([be])pt[^>]+>.+?</\1pt>");
    while(regex.IsMatch(yourstring) ) 
        yourstring = regex.Replace(yourstring, "");
    
 catch (ArgumentException ex) 
    // Syntax error in the regular expression

附加说明：

在 cmets 中，一位用户表示担心 '.'模式匹配器将是 CPU 密集型的。虽然在独立的贪婪“。”的情况下这是正确的，但使用非贪婪字符“？”导致正则表达式引擎只向前看，直到找到模式中下一个字符的第一个匹配项而不是贪婪的 '.'这需要引擎一直向前看到字符串的末尾。我使用RegexBuddy 作为正则表达式开发工具，它包含一个调试器，可以让您查看不同正则表达式模式的相对性能。如果需要，它还会自动对您的正则表达式进行 cmets，因此我决定在此处包含这些 cmets 以解释上面使用的正则表达式：

    // <([be])pt[^>]+>.+?</\1pt>
// 
// Match the character "<" literally «<»
// Match the regular expression below and capture its match into backreference number 1 «([be])»
//    Match a single character present in the list "be" «[be]»
// Match the characters "pt" literally «pt»
// Match any character that is not a ">" «[^>]+»
//    Between one and unlimited times, as many times as possible, giving back as needed (greedy) «+»
// Match the character ">" literally «>»
// Match any single character that is not a line break character «.+?»
//    Between one and unlimited times, as few times as possible, expanding as needed (lazy) «+?»
// Match the characters "</" literally «</»
// Match the same text as most recently matched by backreference number 1 «\1»
// Match the characters "pt>" literally «pt>»

【讨论】：

不错，除了使用“。”这是相当密集的CPU，如果你处理一个大的xml文件，这很重要。你可以用“[^]”代替它，不是吗？

对不起，对于子标签，你不能。最好改用“[^ø]”。

【参考方案2】：

我想你想完全删除标签？

(<bpt .*?>.*?</bpt>)|(<ept .*?>.*?</ept>)

那个？在 * 之后使其不贪婪，因此它会尝试匹配尽可能少的字符。

您会遇到的一个问题是嵌套标签。 stuff 不会看到第二个，因为第一个匹配。

【参考方案3】：

为什么说开销太大？你量过吗？还是你猜的？

使用正则表达式而不是正确的解析器是一种捷径，当有人提出类似

之类的东西时，您可能会遇到这种情况

【讨论】：

好吧，当您拥有非格式良好的 XML 时，您唯一可以做的就是使用正则表达式或其他一些拐杖。问题中的标记不是 XML，它具有相交的层次结构。

【参考方案4】：

.NET 正则表达式引擎是否支持负前瞻？如果是，那么您可以使用

(<([eb])pt[^>]+>((?!</\2pt>).)+</\2pt>)

如果您删除所有匹配项，这会使 大黑猫睡觉。 超出上述字符串。但是请记住，如果您嵌套了 bpt/ept 元素，它将不起作用。 您可能还想在某些地方添加 \s 以允许在关闭元素等中使用额外的空格。

【参考方案5】：

如果您打算使用正则表达式来删除 XML 元素，最好确保您的输入 XML 不使用来自不同名称空间的元素，或者包含您不想修改其内容的 CDATA 部分。

正确（即既高效又正确）的方法是使用 XSLT。将除特定元素之外的所有内容复制到输出的 XSLT 转换是恒等转换的简单扩展。编译转换后，它将非常快速地执行。而且不会有任何隐藏的缺陷。

【参考方案6】：

是否有任何可能的方法来获得 regex.pattern 的 xml 类型文本的全局解决方案？ 这样我就可以摆脱替换功能，而外壳使用正则表达式。 麻烦的是分析 是否按顺序排列.. 还将保留字符替换为 ' & 等等。 这是代码 '处理特殊字符函数 Friend 函数 ReplaceSpecChars(ByVal str As String) As String Dim arrLessThan As New Collection Dim arrGreaterThan As New Collection If Not IsDBNull(str) Then

  str = CStr(str)
  If Len(str) > 0 Then
    str = Replace(str, "&", "&")
    str = Replace(str, "'", "'")
    str = Replace(str, """", """)
    arrLessThan = FindLocationOfChar("<", str)
    arrGreaterThan = FindLocationOfChar(">", str)
    str = ChangeGreaterLess(arrLessThan, arrGreaterThan, str)
    str = Replace(str, Chr(13), "chr(13)")
    str = Replace(str, Chr(10), "chr(10)")
  End If
  Return str
Else
  Return ""
End If

结束函数 Friend Function ChangeGreaterLess(ByVal lh As Collection, ByVal gr As Collection, ByVal str As String) As String For i As Integer = 0 To lh.Count 如果 CInt(lh.Item(i)) > CInt(gr.Item(i)) 那么 str = Replace(str, "

  Next


    str = Replace(str, ">", ">")

结束函数 Friend 函数 FindLocationOfChar(ByVal chr As Char, ByVal str As String) 作为集合 暗淡 arr 作为新系列 For i As Integer = 1 To str.Length() - 1 如果 str.ToCharArray(i, 1) = chr 则 arr.Add(i) 万一 下一个 返回 arr 结束函数

在问题标记处遇到问题

这是一个带有不同标签的标准 xml，我想分析..

【参考方案7】：

你测量过这个吗？我在使用 .NET 的正则表达式引擎时遇到了性能问题，但相比之下，使用 Xml 解析器解析了大约 40GB 的 xml 文件没有问题（您需要使用 XmlReader但是更大的字符串）。

请发布一个实际的代码示例并提及您的性能要求：如果性能很重要，我怀疑Regex 类是这里的最佳解决方案。