html - 正则表达式匹配除 和 之外的所有 HTML 标签

Question

我需要在 Perl 中使用正则表达式来匹配和删除所有标签。我有以下内容:

<\\??(?!p).+?>

但这仍然与结束 </p> 匹配标签。关于如何与结束标记匹配的任何提示？

请注意，这是在 xhtml 上执行的。

Answer 1

如果您坚持使用正则表达式，那么在大多数情况下类似这样的方法会起作用:

# Remove all HTML except "p" tags
$html =~ s{<(?>/?)(?:[^pP]|[pP][^\s>/])[^>]*>}{}g;

解释:

s{
  <             # opening angled bracket
  (?>/?)        # ratchet past optional / 
  (?:
    [^pP]       # non-p tag
    |           # ...or...
    [pP][^\s>/] # longer tag that begins with p (e.g., <pre>)
  )
  [^>]*         # everything until closing angled bracket
  >             # closing angled bracket
 }{}gx; # replace with nothing, globally

但实际上，为自己省去一些麻烦并改用解析器。 CPAN 有几个适合的模块。这是一个使用 HTML::TokeParser 的示例功能极其强大的模块 HTML::Parser CPAN 分布:

use strict;

use HTML::TokeParser;

my $parser = HTML::TokeParser->new('/some/file.html')
  or die "Could not open /some/file.html - $!";

while(my $t = $parser->get_token)
{
  # Skip start or end tags that are not "p" tags
  next  if(($t->[0] eq 'S' || $t->[0] eq 'E') && lc $t->[1] ne 'p');

  # Print everything else normally (see HTML::TokeParser docs for explanation)
  if($t->[0] eq 'T')
  {
    print $t->[1];
  }
  else
  {
    print $t->[-1];
  }
}

HTML::Parser接受文件名、打开的文件句柄或字符串形式的输入。将上述代码包装在库中并使目标可配置(即，不仅仅是上面的 printing)并不难。与尝试使用正则表达式相比，结果将更可靠、更易于维护，而且可能更快(HTML::Parser 使用基于 C 的后端)。