如何为 HTML 简单文本制作正则表达式模式？答案

【问题标题】：How to make a Regex Pattern for HTML Simple Text?如何为 HTML 简单文本制作正则表达式模式？
【发布时间】：2011-05-23 17:08:14
【问题描述】：

我正在尝试为课程学习正则表达式模式。我正在制作一个简单的 HTML Lexer/Parser。我知道这不是制作 Lexer/Parser 的最佳或最有效的方法，但它只是为了理解 Regex 模式。

所以我的问题是，如何创建一个模式来检查字符串是否不包含任何 HTML 标签（即<TAG>）并且不包含任何 HTML 实体（即&ENT;）？

这是我目前所能想到的，但它仍然不起作用：

.+?(^(?:&[A-Za-z0-9#]+;)^(?:<.*?>))

编辑：唯一的问题是我不能否定最终结果，我需要找到一个完整的模式来完成这项任务，如果可能的话，虽然它可能不漂亮。我从来没有提到过，但它几乎应该匹配 HTML 页面中的任何简单文本。

【问题讨论】：

RegEx match open tags except XHTML self-contained tags的可能重复
你为什么不能否定这个模式？我不明白你的推理......
您可以复制您的 HTML 字符串，然后使用下面的正则表达式模式来删除 HTML 标记和实体（用任何内容替换模式）。这给你留下了纯文本（尽管实体已经消失而不是翻译成它们的实际字符）。

标签： java regex posix regex-negation

【解决方案1】：

您可以使用表达式<.+?>|&.+?; 来搜索匹配项，然后否定结果。

<.+?> 首先是 < 然后是任何东西（一次或多次）然后是 >
&.+?; 首先说 & 然后是任何东西（一次或多次）然后是 ;

这是一个带有ideone.com demo here 的完整示例。

import java.util.regex.*;

public class Test {
    public static void main(String[] args) {
        String[] tests = { "hello", "hello <b>world</b>!", "Hello&nbsp;world" };
        Pattern p = Pattern.compile("<.+?>|&.+?;");
        for (String test : tests) {
            Matcher m = p.matcher(test);
            if (m.find())
                System.out.printf("\"%s\" has HTML: %s%n", test, m.group());
            else
                System.out.printf("\"%s\" does have no HTML%n", test);
        }
    }
}

输出：

"hello" does have no HTML
"hello <b>world</b>!" has HTML: <b>
"Hello&nbsp;world" has HTML: &nbsp;

【讨论】：

【解决方案2】：

如果您要匹配不遵循模式的字符串，最简单的做法是匹配模式，然后否定测试结果。

<[^>]+>|&[^;]+;

任何与此模式匹配的字符串都将具有至少一个标记（如您所定义的那样）或实体（如您所定义的那样）。因此，您想要的字符串是与此模式不匹配的字符串（它们将没有标签或实体）。

【讨论】：

我会将* 都更改为+ 并删除捕获组。
这可能吗？ ^(?:]+>|&[^;]+;)
ie：对模式进行分组，然后在模式中否定整个事物。
不，因为你不能否定一个模式，只能否定一个字符类。 ^ 字符，在字符类之外，工作方式不同：它将模式锚定到字符串的开头。（这是一种奇特的说法，字符串需要以模式开头，而不仅仅是包含它）