删除不必要的 HTML 标记的正则表达式答案

【问题标题】：Regular Expressions to remove unnecessary HTML tags删除不必要的 HTML 标记的正则表达式
【发布时间】：2017-06-19 03:26:03
【问题描述】：

我有很多 HTML 文件，其中包含很多不必要的标签。

<span class="foo">A</span><span class="foo">B</span><span class="foo">C</span>...

我正在尝试删除这一系列不必要的标签并像这样更改它们。

<span class="foo">ABC</span>

我在 Ruby 中使用了一个简单的正则表达式。 myhtml.gsub!(/<\/span><span class=".*?">/,"")

到目前为止它运行良好，但现在我对这样的标签有疑问：

<span class="foo">A</span><span class="bar">B</span><span class="foo">C</span>

我的正则表达式还删除了必要的标签，例如<span class="bar">.

我想像这样使用捕获组 <span class="(.+?)">(.+?)<\/span><span class="\1">... 但我不知道如何正确写。

如何重写正则表达式来解决？

编辑：感谢您的评论，但抱歉信息不足，

有很多类，如 "foo","bar","hoge","abc"...等
我不能指望连续标签有什么类。
另外，我无法预计每个 html 文件中有多少个连续标签

【问题讨论】：

所以基本上你正在尝试删除具有相同 css 类的标签，并且标签是否相同并且连续出现。
你或许可以使用github.com/rgrove/sanitize

标签： html ruby regex

【解决方案1】：

最好用nokogiri

删除标签

doc = Nokogiri::HTML(string)
doc.search("span.foo").remove
doc.to_html

合并连续标签

doc = Nokogiri::HTML(string)
doc.search("span.foo + span.foo").each do |each|
  each.previous_element.inner_html += each.inner_html
  each.remove
end
puts doc.to_html

【讨论】：