c# Regex 忽略文本周围的可选标签答案

【问题标题】：c# Regex ignore optional tags around textc# Regex 忽略文本周围的可选标签
【发布时间】：2017-07-11 21:07:05
【问题描述】：

问题：

假设我有以下字符串：

<p><span style=\"font-weight:bold;\">Description:</span>Thomas is currently
 developing a enterprise resource management course for Pluralsight </p>

我正在尝试执行 regex.replace 来删除 <span style=\"font-weight:bold;\">Description:</span>

通常开始标签和结束标签都不会出现，所以这两个都必须是可选的。而且它们并不总是跨度。我唯一能保证的是“描述：”这个词会出现。

我的尝试：

这是我能得到的最接近的：

(?:<.*>)?Description:(?:<\/.*>)?

不幸的是，起始捕获组也在抓取起始 p 标签。我需要做到这一点，以使开始或结束标签永远不会超过 1 个。

当我使用它时：

Regex.Replace(text, @"(?:<.*>)?Description:(?:<\\/.*>)?", "")

我被退回

</span>Thomas is currently developing a enterprise resource management course for Pluralsight </p>

带有不应捕获的结束跨度标记和缺少起始 p 标记...

编辑： 虽然类似于@kblok 发布的线程，但我只想删除第一个周围的标签（如果它存在）。该线程是关于删除所有周围的标签。因此我删除 p 标签的问题

【问题讨论】：

Remove HTML tags from string including &nbsp in C#的可能重复
使用正则表达式解析html并不是一个好主意。你会遇到各种各样的问题。有HTML agility pack你可以试试。
我目前正在广泛使用 htmlagilitypack，但在这种情况下，我相信正则表达式会更合适。我的文本中有多个分隔符，我在其中使用正则表达式来分割、突出显示和提取。我不能总是假设分隔符会被包含在 span 标签中。
是否要删除描述：即使它没有任何标签？

【解决方案1】：

假设您不需要担心带引号的尖括号，您可以使用

(?:<[^<]*>)?Description:(?:<\/[^<]*>)?

改进的模式以强制开始/结束标签名称匹配和仅描述周围，也删除描述：当标签不存在时。

(?:(?<open><)(?<start>[^ >]+)[^<>]*>)?Description:\k<open>\/?\k<start>>|Description:

【讨论】：

问题是“通常开始标签和结束标签都不存在”。如果在 Description: 之间没有其他标签，则此模式仍将匹配 <p>
不仅如此，[^<]* 还会匹配到下一个 >，然后需要不必要的回溯。您可以像 *? 那样使 * 不贪婪，或者将 > 放在否定字符类中，或者两者都使用，例如 [^<>]*?
新模式将不匹配“描述：”周围没有任何标签的案例，也不会匹配没有任何属性或额外空格的标签。但要小心，如果你只是将最后一部分包装在一个可选组中，它会再次开始匹配
。对于同一文本中的多次出现，它还可以匹配下一个“描述：”之前的意外结束标记。
我在描述周围没有标签的情况下运行它，它工作正常 - 它不匹配，所以它什么也不做。我解决了另一个问题。我在问题中没有看到多个描述。
重读问题，决定可以解释为删除说明：即使标签不存在，所以更改了第二个选项。

【解决方案2】：

此模式明确排除 <p> 标记。

(?:<(?!p>|/)[^<>]*>)?Description:(?:</[^<>]*>)?

这个也是一样的，但是对匹配开始和结束标签更加严格。它还允许标签之间有空格

(?:<(?!p>|/)(?<tag>[^ >]+)(?=[ >])[^<>]*>)?\s*Description:\s*(?:<\/\k<tag>[^<>]*>)?

考虑到 VDWWD 的警告，考虑到所有可能的 HTML 格式变化，即使是这个丑陋的东西也可能有点幼稚，但它至少应该符合您所描述的格式良好、简单的情况。

【讨论】：