使用 < 和 > 对代码进行编码时，正则表达式匹配除 HTML 标记之外的任何内容

Posted 2023-02-24

【中文标题】使用 < 和 > 对代码进行编码时，正则表达式匹配除 HTML 标记之外的任何内容

【英文标题】：Regex to match anything except HTML tags when code is encoded using &lt; and &gt;

【发布时间】：2022-01-03 16:28:56

【问题描述】：

我正在尝试使用正则表达式来匹配除 html 标记之外的任何文本。我为“普通”HTML 代码找到了这个解决方案：

<[^>]*>(*SKIP)(*F)|[^<]+

但是，我的代码是使用 < 和 > 而不是 < 和 > 编码的，并且我无法修改上面的正则表达式以使其正常工作。

举个例子，给定文字：

Hi <p class=\"hello\">\r\nthere, how are you\r\n</p>

我需要匹配“嗨”和“那里，你好吗”。请注意，在此示例中，我还需要匹配不在标签之间的文本“hi”。

更新：因为我使用的是 ruby​​ 的 gsub，看起来我什至不能使用 *SKIP 和 *F

更新 2：我试图不涉及太多细节，但似乎很重要： 我实际上需要替换文本中的所有空格，而不是那些属于标记的空格，无论是< ... > 标记还是<...> 标记。

【问题讨论】：

你能用(?s)<.*?>运行正则表达式拆分吗？

可能是<(?:(?!>)[\s\S])*>(*SKIP)(*F)|(?:(?!<)[\s\S])+regex101.com/r/TjrIOo/1

@WiktorStribiżew 我是个好主意，我可以使用 split 但我需要重建文本，我使用的是 ruby​​ 的 gsub 并且使用 split 我会丢失标签的内容

@Thefourthbird 哦，效果很好！但我刚刚尝试过，看起来 ruby​​ (1.9.3) 不支持 *SKIP 和 *FAIL ...我要更新问题

太完美了！！！可能是这样它适用于两者 < >和 标签？我将在描述中更详细地解释这个问题，您可以将此作为答案发布，以便我选择它作为解决方案。你刚刚救了我的头，非常感谢你，我会“买咖啡”-ing你

【参考方案1】：

你可以使用

text = text.gsub(/(&lt;.*?&gt;|<[^>]*>)|[[:blank:]]/m)  $1 || '_' 

我建议使用[[:blank:]] 而不是\s，因为我假设您不想替换换行符。请参阅Ruby demo。

上面的正则表达式匹配

(<.*?>|<[^>]*>) - <，尽可能少的零个或多个字符，以及> 或<，然后是除> 之外的零个或多个字符，然后是> | - 或 [[:blank:]] - 任何单个水平空格（您也可以使用 [\pZs\t] 匹配任何 Unicode 水平空格）。

替换中的 $1 || '_' 块表示当Group 1匹配时，Group 1值按原样返回，否则_作为水平空白的替换返回。