正则表达式替换：替换文本，而不是代码答案

【问题标题】：Regex substitution: Replace texts, not codes正则表达式替换：替换文本，而不是代码
【发布时间】：2020-10-22 06:42:49
【问题描述】：

我几天来一直在尝试解决一个正则表达式测验，但仍然无法正确解决。我已经很接近了，但仍然无法通过。

任务：

在 HTML 页面中，将文本 micro 替换为 &micro;。哦，不要搞砸代码：不要在 <the tags> 或 &entities; 内部替换

替换

micro -> &micro;
abc micro -> abc &micro;
micromicro -> &micro;&micro;
&micro;micro -> &micro;&micro;

请勿触摸

<tag micro /> -> <tag micro />
&micro; -> &micro;
&abcmicro123; -> &abcmicro123;

I tried this 但在最后一个&micro; 上失败了，我错过了什么？有人能指出我错过了什么吗？提前致谢！

我尝试过的：

正则表达式

((?:\G|\n)(?:.*?&.*?micro.*?;[\s\S]*?|.*?<.*?micro.*?>[\s\S]*?|.)*?)micro

替换

$1&micro;

【问题讨论】：

Regex 不是解析 HTML 的正确工具
使用正则表达式真的很难。如果您不想在某些情况下进行匹配，则必须使用否定的lookbehind，但它们必须是固定大小，因此您不能使其在<tag 之后的任何地方都不匹配。
这是一个quiz on regex101。我能感觉到这真的很难解决，但也许我一开始就走错了路。只需要一个正确方向的提示。
祝你好运。想想 HTML cmets、脚本标签、CDATA、值中具有 > 的属性等等，等等……如前所述，正则表达式不是解析 HTML 的正确工具。

标签： regex pcre substitution

【解决方案1】：

你可以试试这样的：

(?:<.*?>|&\w++;)(*SKIP)(*F)|micro

替换字符串：

&micro;

【讨论】：

【解决方案2】：

使用SKIP-FAIL technique，但作为一个整体匹配：

(?:<[^<>]*>|&\w+;)(*SKIP)(*F)|\bmicro\b

见proof

说明

--------------------------------------------------------------------------------
  (?:                      group, but do not capture:
--------------------------------------------------------------------------------
    <                        '<'
--------------------------------------------------------------------------------
    [^<>]*                   any character except: '<', '>' (0 or
                             more times (matching the most amount
                             possible))
--------------------------------------------------------------------------------
    >                        '>'
--------------------------------------------------------------------------------
   |                        OR
--------------------------------------------------------------------------------
    &                        '&'
--------------------------------------------------------------------------------
    \w+                      word characters (a-z, A-Z, 0-9, _) (1 or
                             more times (matching the most amount
                             possible))
--------------------------------------------------------------------------------
    ;                        ';'
--------------------------------------------------------------------------------
  )                        end of grouping
--------------------------------------------------------------------------------
  (*SKIP)(*F)              Skip the match and go on matching from current location
--------------------------------------------------------------------------------
 |                        OR
--------------------------------------------------------------------------------
  \b                       the boundary between a word char (\w) and
                           something that is not a word char
--------------------------------------------------------------------------------
  micro                    'micro'
--------------------------------------------------------------------------------
  \b                       the boundary between a word char (\w) and
                           something that is not a word char

【讨论】：

甚至不知道这些标志的存在。这让事情变得容易多了。感谢您让我走上正轨和详细的解释！但我会接受另一个答案，因为他早些时候发布了答案。
@HaoWu 是的，总是接受最适合你的。感谢您提出一个很好的问题，+1。

【解决方案3】：

var strings = [
    "micro",
    "abc micro",
    "micromicro",
    "&micro;micro",
    "<tag micro />",
    "&micro;",
    "&abcmicro123;"
];
var re = /(?<!(<[^>]*|&[^;]*))(micro)/g;
strings.forEach(function(str) {
    var result = str.replace(re, '&$2;')
    console.log(str + ' -> ' + result)
});

控制台日志输出：

micro -> &micro;
abc micro -> abc &micro;
micromicro -> &micro;&micro;
&micro;micro -> &micro;&micro;
<tag micro /> -> <tag micro />
&micro; -> &micro;
&abcmicro123; -> &abcmicro123;

解释：

使用(?<!...) - 消极的后视排除内部标签或实体
(<[^>]*|&[^;]*) - 在负前瞻内跳过 <...> OR '&...;'
(micro) - 捕获你的标签（根据需要添加多个，例如(micro|brewery)）
'&$2;' - 替换将捕获的标签变成一个实体&...;

【讨论】：

不幸的是，pcre 正则表达式不支持非固定宽度的回溯:(否则会容易得多