正则表达式插入所有数字周围的标签答案

【问题标题】：regex insert tag surrounding all digits正则表达式插入所有数字周围的标签
【发布时间】：2020-08-20 09:31:27
【问题描述】：

我有一个包含许多这样的行的文档：

<tr><td width="10%">doc_no_320F0321</td><td width="5%">116</td><td> bla bla bla 1976, bla bla point (2) bla bla bla. </td><td> bla bla bla 1976, bla bla point (1) bla bla bla. </td></tr>

（美化后它看起来像这样：

<tr>
    <td width="10%">doc_no_320F0321</td>
    <td width="5%">116</td>
    <td> bla bla bla 1976, bla bla point (2) bla bla bla. </td>
    <td> bla bla bla 1976, bla bla point (1) bla bla bla. </td>
</tr>

)

我需要做的是检查第三个和第四个的数字是否相同，忽略其他字符。

为此，我尝试用突出显示它们，以便更容易看到它们。我正在运行这个 sed 替换：

sed -i -r 's|(<td>.*?)([[:digit:]]+)(.*?<\/td>)|\1<mark>\2<\/mark>\3|g'

但它只围绕每行的最后一位数字。

有人可以帮我把第三个和第四个标签中的所有数字组合括起来吗？

谢谢。

【问题讨论】：

如果只需要匹配数字，为什么要提前突出显示？如果您的正则表达式可以很好地检测到它们，您可以向它们添加mark，为什么您需要标记它们？

哦，那一点都不清楚，对不起。当我说“匹配”时，我的意思是“确保它们同时存在于中”，而不是“能够使用正则表达式找到它们”。那里的术语有误...谢谢，我将进行编辑以使其更清晰。

Parsing HTML with regex is a hard job HTML 和正则表达式不是好朋友。使用解析器，它更简单、更快且更易于维护。见：php.net/manual/en/class.domdocument.php

【解决方案1】：

在任意 HTML 上使用正则表达式是个坏主意，因为 SGML 不是正则。您需要一个 HTML 解析器才能正确执行此操作：

解析。找到 TR 的第三个和第四个 TD 子代，并更改它们的文本子代。

如果幸运的话，您可以通过在正则表达式中转换和计算 TD 之前不美化整行来避免解析已知的 HTML。

(<tr[^<]+<td[^<]+<td[^<]+<td[^"]"\D*)(\d+)([^"]....)

\1<mark>\2</mark>\3

第四次也是如此。

但是当您的文本有多个要“标记”的数字块时，您会遇到问题。

【讨论】：

【解决方案2】：

如果您只想生成页面的 HTML 版本，并在特定列中突出显示数字，您可以执行以下操作：

$d = new DOMDocument();
$d->loadHTMLFile('your_file_path.html');

$x = new DOMXpath($d);
$third_td = $x->evaluate('//tr/td[3]');
$fourth_td = $x->evaluate('//tr/td[4]');

$pattern = '/\d/';
$replace = '<span style="color: red;">${0}</span>';

foreach ( $third_td as $key => $input ) {
    $input->nodeValue = preg_replace($pattern, $replace, $input->nodeValue);
    $fourth_td[$key]->nodeValue = preg_replace($pattern, $replace, $fourth_td[$key]->nodeValue);
}

echo $d->saveHTML();

$d->saveHTML() 的结果是一个 HTML 版本，其中第 3 列和第 4 列中的所有数字都以红色着色。如果这是您需要的，可以相应地更改样式。

我没有考虑处理任何可能导致错误的缺失列或其他不兼容问题。

这段代码是用 PHP 编写的，基于 @Toto 的建议。

希望对你有帮助

【讨论】：

【解决方案3】：

sed 和一行中的每一行你可能会很幸运

sed -r ':a;s#(.*</td>)(.*<td>)(.*[^\r[:digit:]])([[:digit:]]+)#\1\2\3<mark>\r\4</mark>#;ta;s/\r//g'

你不应该用sed解析HTML，所以这个解决方案不值得解释。

【讨论】：