正则表达式识别所有错误的 HTML 特殊字符答案

【问题标题】：Regex to identify all wrong HTML special chars正则表达式识别所有错误的 HTML 特殊字符
【发布时间】：2018-05-15 21:41:45
【问题描述】：

我有一个包含几个特殊字符的巨大 HTML，格式为 &nbsp; 或 "&#82173333;。

其中一些是错误的，因为他们缺少开头的 &。

我想搜索此类错误的空间字符。我知道我可以通过以下正则表达式搜索所有正确的特殊字符：

       \&(?:[a-z]+|#x?\d+);\

但我需要一个 正则表达式来搜索错误的表达式（没有初始 &）。你能帮助我吗？提前致谢

编辑：

按照建议，我将发布一个示例。我的 HTML 包含以下语句：

   <![CDATA[<nolink>blablabla&nbsp;blablabla</nolink>]]>quot;

我们有 2 个特殊的 HTML 字符：

我有兴趣找到第二个项目，因为它是错误的（缺少最初的 &）。

所以请求的正则表达式的输出应该是：quot;

【问题讨论】：

不清楚您的目标是什么。发布不正确代码的示例，并更正输出。另外，如果你有一个像Some numbers are prime; but others are not 这样的句子（注意&prime; 是一个有效的HTML 实体）怎么办？是什么让nbsp; 与众不同？
所以你有一个可以应用的规则？就像它们最后都包含撇号一样吗？因为据我所知，您有 3 组相关的字符串：html 代码、错误的特殊字符和正确的特殊字符。据我了解，您无法使用它们独有的规则集将这些组分开，以将它们单独列出。这意味着您需要一个通用规则来处理错误的特殊字符。比如“不以&开头但以;结尾。
是的，你是对的。我正在寻找“不以 & 开头但以 ; 结尾”的规则它只隔离了上述三个相关字符串组中的错误特殊字符。

【解决方案1】：

你可以建立在

(?<!&)(?:\b(?:nbsp|quot|divide)|#[0-9a-f]+);

添加您需要的“特殊字符”。

这个简单的匹配一个序列，前面没有&（(?<!&) 的负面后视确保了这一点），要么是

（添加不区分大小写的标志以使十六进制字符能够大写。）

编辑
在“单词实体”之前添加了对分词 (\b) 的检查，以确保它不匹配部分实体（如果有的话）。

编辑 2
让一个通用的 re 匹配所有实体（可能还有其他非实体词）尝试

(?<!&)(?:\b(?:[a-z]{2,8}\d{0,2})|#[0-9a-f]+);

【讨论】：

非常感谢！我很容易修改你的例子插入 divide; 错误的特殊字符。正则表达式几乎是完美的，但它也匹配 ivide;（或者也匹配 bsp;）：see the example
更新了正则表达式和示例。
解决方案很好，但不够通用：问题是我不知道 HTML 中有哪些特殊字符。正则表达式运行良好，但它迫使我指定所有可能的情况。这里是所有特殊字符的列表：HTML Codes Table
所以你想了解Text with nbsp; here和List of names; Arnold, Sylvester之间的区别吗？
一点也不：类型：List of names;的出现次数很低，我不担心

【解决方案2】：

我试过了：\s(?!&)[A-Za-z0-9]+;

在Regex101 尝试过

&wudhilweuh212313i9dioed;  wcihecrehc; &wkjdnwkne13131; eiou2ei; 1121i2093;
qeoidjwidw29i1291;

匹配

wcihecrehc; eiou2ei; 1121i2093;
qeoidjwidw29i1291;

我的例子只是随机性。为什么？据我了解，您想要任何具有由A-Z、a-z 和0-9 组成的字符串的字符串，它确实以空格字符开头，而不是&，并以; 结尾。所以我不想让它太受限制。

【讨论】：