正则表达式：忽略html标签[重复]答案

【问题标题】：regular expression : ignore html tags [duplicate]正则表达式：忽略html标签[重复]
【发布时间】：2015-10-02 01:23:47
【问题描述】：

我有这样的 HTML 内容：

The bedding was hardly able to cover it and seemed ready to slide off any moment.

这是 HTML 的完整版本。 http://collabedit.com/gkuc2

我需要搜索字符串hardly able to cover（只是一个示例），我想忽略我要查找的字符串中的任何 HTML 标记。因为在 HTML 文件中，字符串中有 HTML 标签，简单的搜索是找不到的。

用例是：我有一个文件的两个版本：

带有文本和标签的 HTML 文件
相同的文件，但仅包含原始文本（删除了所有标签和多余的空格）

我要搜索的子字符串（针）来自文本版本（不包含任何 HTML 标签），我想找到它在 HTML 版本（有标签的文件）中的位置。

有效的正则表达式是什么？

【问题讨论】：

你的Complete HTML 在哪里
简单：你不使用正则表达式。正则表达式 + html = 坏主意。使用 DOM 解析器，或剥离所有标签，然后在纯文本上进行正则表达式。
正如@MarcB 所说，这通常不是您使用RegEx 的地方。如果您正在寻找一个简单的查找，您可以尝试将(.*) 放在您要查找的每个单词之间。不过，这可能只有大约 40% 的正确率：即hardly(.*)able(.*)to(.*)cover
我想说的唯一方法是构建某种树。位置树。
@MarcB 我已经使用 PHP DOM 扩展对 HTML 文件进行了一些处理（例如获取不带标签的原始文本）。但是现在我需要从纯文本中获取一个子字符串并在 HTML 版本中找到它。

标签： javascript php html regex search

【解决方案1】：

尝试将文本保存在变量或其他内容中，然后删除所有标签并在其中执行正常搜索。你可以使用一个简单的php函数strip_tags()。

编辑： 因此，您可能会尝试查找第一个单词和最后一个单词（或仅查找第一个单词，然后使用其余的结果）来定位字符串，然后解析结果并删除标签并检查它是否是您正在寻找的那个。就像使用正则表达式：几乎没有。掩护甚至几乎没有。$ 并保存每个结果的位置。然后在结果上使用 strip_tags() 并分析每个结果是否是您想要的结果。我知道这是一种奇怪的解决方案，但您可以避免无休止的正则表达式等。

【讨论】：

我已经有了文件的纯文本版本，实际上我需要做的是在 HTML 版本中找到从纯文本版本中获取的子字符串的位置。因此，如果我发现我的子字符串是纯文本版本，它将无济于事，因为我已经知道它在纯文本版本中的位置。

【解决方案2】：

把这个放在每个字母之间：

(?:<[^>]+>)*

并将空格替换为：

(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*

喜欢：

h(?:<[^>]+>)*a(?:<[^>]+>)*r(?:<[^>]+>)*d(?:<[^>]+>)*l(?:<[^>]+>)*y(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*a(?:<[^>]+>)*b(?:<[^>]+>)*l(?:<[^>]+>)*e(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*t(?:<[^>]+>)*o(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*c(?:<[^>]+>)*o(?:<[^>]+>)*v(?:<[^>]+>)*e(?:<[^>]+>)*r

如果你想允许标签分词，你只需要每个字母之间的那些，比如：This is bold

这是没有字母中断的：

hardly(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*able(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*to(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*cover

这应该适用于大多数情况。但是，如果 Html 格式不正确，其中未进行 html 编码，您可能会遇到问题。它也可能在脚本块或其他带有 CDATA 部分的元素上中断。

【讨论】：

正则表达式有效，但你能解释一下模式吗？带断字的那个。这对我来说真的很难阅读和理解。
换行符只是寻找一个或多个标签，即<，后跟一个不是>的字符，后跟一个>
我不明白你为什么要寻找一个不是> 的字符，而不是匹配任何字符的.。我用点字符进行了测试，它工作正常。所以我用(?:<.+>)*代替了(?:<[^>]+>)*。为什么第一个比最后一个更好？
所以我简化了表达式：我将(?:<.+>)* 放在字母之间，(?:\s*<.+>\s*)* 放在单词之间，这样就可以了。
因为它在某些情况下不起作用。如果在单词之间使用(?:\s*<.+>\s*)*，则to(?:\s*<.+>\s*)*home 将匹配to never go home，而(?:<[^>]+>)* 将不匹配。这是因为 <.+> 匹配  never go