提取所有用正则表达式关闭的 html 标记答案

【问题标题】：Extract all html tag closed with a regex expression提取所有用正则表达式关闭的 html 标记
【发布时间】：2012-04-08 11:50:06
【问题描述】：

我在 R 上工作，我想提取所有关闭的 HTML 标记来自纯文本文档。我使用带有正则表达式的 gsub 方法：

gsub("<?!([^<]/*)>"," ",fm,perl=TRUE,ignore.case=TRUE)

但是，斜线“/”没有被计算。

我想我不是很清楚。

这是我需要做的：

我有一个文本（HTML 文档），我只想保留标签（<> 和 </>）。我认为使用 gsub 是个好主意，但也许您有更好的解决方案。

【问题讨论】：

是否需要转义/？
我同意 Ben 的观点，如果这被解析为 perl 正则表达式，perl 不使用 / 作为分隔符吗？
stackoverflow.com/questions/1732348/…
斜线不需要转义（Perl 可以使用任何东西作为分隔符）。 ?! 是否应该是负前瞻？正确的语法是(?!...)。要解析 XML，您可以使用 XML 包：它将为您完成所有工作。

【解决方案1】：

你的问题的措辞不清楚，你的正则表达式没有多大意义，但如果你只是想匹配任何看起来像 HTML 标签的东西，应该这样做：

"<[^<>]+>"

这将匹配开始和结束标签（例如，<tag attr="value"> 和 </tag>）。如果您只想匹配自闭合标签（例如，<tag />），这应该可以：

"<[^<>]+/>"

其他人建议斜杠 (/) 具有特殊含义，需要转义，但事实并非如此。如果您使用的是 Perl，则可以使用以下命令进行替换：

s/<[^<>]+\/>/ /g

但是斜线本身并没有什么特殊含义；我只需要转义它，因为我将它用作正则表达式分隔符。我可以轻松地使用不同的分隔符：

s~<[^<>]+/>~ ~g

但是 R 不像 Perl 那样支持语言级别的正则表达式；正则表达式和替换以字符串文字的形式编写，就像它们（例如）在 Java 和 C# 中一样。而且与 PHP 不同的是，它不需要你添加分隔符，如下所示：

preg_replace("/<[^<>]+\/>/", " ")

但即使是 PHP 也允许您选择自己的分隔符：

preg_replace('~<[^<>]+/>~', ' ')

在有人对此提出质疑之前，我知道<[^<>]+> 是有缺陷的——事实上，HTML 标记没有正确的正则表达式。这在很多情况下都可以，但解析 HTML 唯一真正可靠的方法是使用专用的 HTML 解析器。

【讨论】：

【解决方案2】：

可能需要“转义”：\\/

【讨论】：