java - 用于查找 HTML 标记及其内容的正则表达式的否定 - java

Question

我在 uni 做一个项目，我必须使用正则表达式清理一些 HTML 代码(我知道，这不是最好的方法......)

正文输入:

<h1>This is heading 1</h1>
<h2 style="color: aqua">This is heading 2</h2>
<h3>This is heading 3</h3>
<p>This is a paragraph.</p>
<p>This is another paragraph.</p>
<a href="https://www.w3schools.com">This is a link</a>
<ul>
  <li>Coffee</li>
  <li>Tea</li>
  <li>Milk</li>
</ul>

我得到了一个允许的标签列表，我还必须删除所有其他标签及其内容。例如 {h3, p, ul}

首先，我删除了所有参数(它们是不允许的)，然后我想到了这个正则表达式，它删除了标签和内容。

String regex = "(?i)<([h3|ul|p]+)>\\n?.*\\n?<\\/\\1>";

它有效，但现在我必须否定它并删除除...中给出的标签和内容之外的所有标签和内容

我试过了，但是没用:

`...[?!h3|ul|p]...`

此示例的预期结果:

<h3>This is heading 3</h3>
<p>This is a paragraph.</p>
<p>This is another paragraph.</p>
<ul>
</ul>

不太了解Negative Lookahead 以及如何将其应用到我的问题中，所以我将不胜感激任何建议。

Answer 1

您尝试使用的负面展望需要写成 (?!(?:h3|ul|p)\b)这不会选择 h3或 ul或 p标签。注意单词边界的使用\b在它之后以拒绝这些标签的完全匹配。除了删除这些标签之外，您还必须删除删除这些标签后留下的空格，因此总体而言，您需要使用的正则表达式是这样的，

\h*<(?!(?:h3|ul|p)\b)([^>]+).*?>[\w\W]*?</\1>\s*

正则表达式解释:

• \h* - 匹配标签前的零个或多个水平空格(空格和制表符，可能还有其他存在的空格)
• < - 标签开始
• (?!(?:h3|ul|p)\b) - 否定预测以完全拒绝 h3 ul和 p标签
• ([^>]+) - 匹配标签名称一个或多个字符并在 group1 中捕获以供稍后反向引用。你可以使用类似 \w+ 的东西或包含允许字符的字符集，以仅匹配您想要的字符。
• .*?> - 可选择匹配零个或多个字符(基本上是属性)，然后用 > 结束开始标记
• [\w\W]*? - 以非贪婪方式匹配零个或多个字符，包括换行符
• </\1> - 匹配 \1 处的标签结束代表之前匹配的作为标签名
• \s* - 匹配零个或多个空格，这些空格基本上消耗了通过删除标签创建的空白空间

Regex Demo

Java 代码演示，

String s = "<h1>This is heading 1</h1>\r\n" + 
        "<h2 style=\"color: aqua\">This is heading 2</h2>\r\n" + 
        "<h3>This is heading 3</h3>\r\n" + 
        "<p>This is a paragraph.</p>\r\n" + 
        "<p>This is another paragraph.</p>\r\n" + 
        "<a href=\"https://www.w3schools.com\">This is a link</a>\r\n" + 
        "<ul>\r\n" + 
        "  <li>Coffee</li>\r\n" + 
        "  <li>Tea</li>\r\n" + 
        "  <li>Milk</li>\r\n" + 
        "</ul>";

System.out.println("Before:\n" + s);
System.out.println("\nAfter:\n" + s.replaceAll("\\h*<(?!(?:h3|ul|p)\\b)([^>]+).*?>[\\w\\W]*?</\\1>\\s*", ""));

输出，

Before:
<h1>This is heading 1</h1>
<h2 style="color: aqua">This is heading 2</h2>
<h3>This is heading 3</h3>
<p>This is a paragraph.</p>
<p>This is another paragraph.</p>
<a href="https://www.w3schools.com">This is a link</a>
<ul>
  <li>Coffee</li>
  <li>Tea</li>
  <li>Milk</li>
</ul>

After:
<h3>This is heading 3</h3>
<p>This is a paragraph.</p>
<p>This is another paragraph.</p>
<ul>
</ul>