java - 正则表达式匹配 HTML 中除 标签之外的任何内容

Question

基本上，我需要匹配 HTML 中不属于闭合

标记的任何/。这是我到目前为止所得到的，但它并没有真正按预期工作，我已经尝试了一段时间了。

((?<!(p))\/(?!(>))) | ((?<!(<))\/(?!(p)))

我还需要正则表达式才能在 Java 中工作。

举个例子:

测试

测试

某事

我希望它匹配每个 /除了<p>中的那些标签在最后!

Answer 1

幸运的是，Java 同时支持lookbehind 和lookahead(相比之下，我大部分时间使用的语言JavaScript 仅支持lookahead)。

所以您正在寻找的模式是:

(?<!<p)/(?!p>)

此模式将匹配任何前面没有 <p 的斜杠。或后跟 p> 。因此它排除 <p/>以及 </p> .

前向/后向断言(通常称为“零宽度”断言)实际上并未包含在匹配中，这听起来像您想要的。它基本上断言您尝试匹配的内容前面是(lookbehind)或后面是(lookahead)子表达式。在本例中，我们使用否定断言(前面没有/后面没有)。

使用正则表达式解析 HTML 是一件棘手的事情。正如一个答案所指出的，HTML 是上下文无关的，因此不能完全由 HTML 解析，从而使 HTML 可能会混淆匹配。我们甚至不开始讨论格式错误的 HTML。

不过，我会考虑空标签的以下常见变体:

<p />

为了处理这个问题，我会在匹配中添加一些空格:

(?<!<p\s*)/(?!p>)

您可能遇到问题的地方是奇怪的空格(仍然有效的 HTML)。以下斜杠将与上述正则表达式匹配:

< p/>
<p/ >

这可以通过在正则表达式中添加更多空白重复来解决。如前所述，这也会匹配文本中的斜杠，因此以下输入将仅匹配一个斜杠(文本中的斜杠):

<p>some text / other text</p>

最后，当然还有 CDATA 组。以下输入将不匹配斜杠:

<![CDATA[This <p/> isn't actually a tag...it's just text.]]>