c# - 替换单词，即使它之间有空的 HTML 标记，这会破坏它

Question

所以这是一个相当奇怪的问题，我知道。我使用一个名为 pdf2htmlEX 的工具，它将 PDF 转换为 HTML。到目前为止，结果非常令人印象深刻。在我转换为 HTML 的所有 PDF 中，我还没有看到一个错误。

有了这个 HTML，我需要用 C# 动态替换一些字符串。但是，我不能简单地说 line.Replace("#SOME_STRING", "Another string") ，虽然我写了#SOME_STRING在导出为 PDF 之前在文档中。为什么不呢，你可能会问？因为 pdf2htmlEX 的输出可以看起来像这样:

<div class="t m0 x5 h5 ya ff4 fs3 fc0 sc0 ls0 ws0">#SOME_ST<span class="_ _5"></span>RING </div>

请参阅带有 _ 的空 span 标签和 _5类(class)？是的，这使我无法替换我的话。 _5类只是有一些宽度(如 width: 0.9889px )。

在这种情况下，我将如何替换 #SOME_ST<span class="_ _5"></span>RING与其他东西？

以下是一些案例:

(#SOME_STRING)          #SOME_ST<span class="_ _5"></span>RING
(#SOME_OTHER_STRING)    #SOME_<span class="_ _7"></span>OTHER_ST<span class="_ _5"></span>RING

我有点迷路了，因为我无法删除所有 _5元素，因为每次我更改文档中的某些内容时，类都是随机的。

编辑:所以我基本上需要一种方法来从我自己的键值对中过滤掉 HTML 标记，这样我就可以替换像 #SOME_STRING -> SOMETHING_ELSE 这样的词。 .

Answer 1

尝试使用正则表达式过滤所有空范围:

var myRegex = new Regex(@"(?<emptyspan><span[^>]*></span>)", RegexOptions.None);
var strTargetString = @"<div class=""t m0 x5 h5 ya ff4 fs3 fc0 sc0 ls0 ws0"">#SOME_ST<span class=""_ _5""></span>RING </div> <span></span>";

foreach (Match myMatch in myRegex.Matches(strTargetString))
{
    var emptyString = myMatch.Groups["emptyspan"].Value;
    // replace or remove empty string ??
}