Perl - 正则表达式查找和替换不属于字符实体的 & 符号答案

【问题标题】：Perl - Regex to find and replace ampersands that aren't part of a character entityPerl - 正则表达式查找和替换不属于字符实体的 & 符号
【发布时间】：2015-07-19 12:18:13
【问题描述】：

所以我目前正在使用代码：

$mystring =~ s/&/&#38;/g;

查找并替换我的字符串变量中的所有与符号 (&amp;)，并将它们替换为与符号的 XML 实体引用 (&#38;)。问题是，我只想替换不是 XML 实体引用的一部分的 & 符号。

例如，假设我在此之前进行了查找和替换以使所有“>”成为“&#62;”。

它有一个 & 符号，但我不希望代码的第一位来替换它，因为它后面是 #62;。

排除“&#”可能还不够，因为数据中存在合法的可能性很小。那么我可以在正则表达式中排除＆符号后跟“#__;”的位置吗？

另外，我要排除的具体三个示例是“&#44;”（逗号）、“&#62;”（>）和“&#60;”（<）。这些是我唯一要做的其他查找和替换，所以如果有办法专门排除这些，那也可以。

谢谢！

【问题讨论】：

您可以使用HTML::Entities 将HTML 实体编码为文本。这样你就不必想出自己的正则表达式，意识到你错过了一个实体，用第二个正则表达式返回，等等。
您没有指定这是 XML 还是 HTML。我假设是 XML，但两者的想法是相似的。根据需要进行修复。
Mpost 用户使用&amp; 而不是&#38;。虽然完全有效，但我什至从未见过&#38;。
一旦混合，real & 和 special & & 符号实际上在理论上是不可区分的。你应该早点逃脱它们。
你问错问题了。您应该一次性完成所有实体编码。字符串应该是实体编码的，或者不是。混合只是自找麻烦。

标签： regex perl replace find

【解决方案1】：

&(?!#\d+;)

此表达式匹配任何后面没有带数字的哈希字符的 & 字符。

这里是DEMO，有更多解释。

【讨论】：

如果我想修改它以包含任何不带#__的＆符号； __ 是任何数字，我该怎么做？作为预防措施，以防我的数据中有任何合法的“”组合
$mystring =~ s/&(?!#\d{1,3};)/&/g;会进一步缩小正则表达式
非常感谢，这正是我想要的！非常感谢

【解决方案2】：

XML 字符引用的语法定义为

Reference     ::= EntityRef | CharRef
EntityRef     ::= '&' Name ';'
CharRef       ::= '&#' [0-9]+ ';'
                | '&#x' [0-9a-fA-F]+ ';'
Name          ::= NameStartChar (NameChar)*
NameStartChar ::= ":" | [A-Z] | "_" | [a-z] | [#xC0-#xD6] | [#xD8-#xF6] | [#xF8-#x2FF] | [#x370-#x37D] | [#x37F-#x1FFF] | [#x200C-#x200D] | [#x2070-#x218F] | [#x2C00-#x2FEF] | [#x3001-#xD7FF] | [#xF900-#xFDCF] | [#xFDF0-#xFFFD] | [#x10000-#xEFFFF]
NameChar      ::= NameStartChar | "-" | "." | [0-9] | #xB7 | [#x0300-#x036F] | [#x203F-#x2040]

因此，如果& 不是有效引用的一部分，则以下内容将转义。

my $name_start_char_class = ':A-Z_a-z\x{00C0}-\x{00D6}\x{00D8}-\x{00F6}\x{00F8}-\x{02FF}\x{0370}-\x{037D}\x{037F}-\x{1FFF}\x{200C}-\x{200D}\x{2070}-\x{218F}\x{2C00}-\x{2FEF}\x{3001}-\x{D7FF}\x{F900}-\x{FDCF}\x{FDF0}-\x{FFFD}\x{10000}-\x{EFFFF}';
my $name_start_char       = qr/[$name_start_char_class]/;
my $name_char             = qr/[${name_start_char_class}\-.0-9\x{00B7}\x{0300}-\x{036F}\x{203F}-\x{2040}]/;
my $name                  = qr/$name_start_char$name_char*/;

s/&(?!(?:$name|#(?:[0-9]+|x[0-9a-fA-F]+));)/&#38;/g

请注意，这假定您的 XML 字符串不包含 CDATA 部分。

【讨论】：

不错的评论帖子。我想知道如何将表达式中的所有标签名称与列表 quot, amp, lt, gt, nbsp, cent, pound, curren, euro 等中的元素匹配
@Max Zoom，通常情况下，最好将检查标识符是否已知与实际解析分开。在这种情况下，由于我们正在尝试修复一个错误的文档，它可能会有所帮助。对于 XML：my $name_pat = join '|', qw( amp lt gt quot apos ); my $name = qr/$pat/;