删除 Regex.Match 字符串的一部分

Question

所以我有一个字符串中的 HTML 表格。这些 HTML 大部分来自 FrontPage，因此大多格式不正确。这是它的外观的快速示例。

<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      <p>Procedure Name</td>
    <td>
        <p>Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        <p>Procedure Name</td>
        <td>
        <p>Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>

据我了解，FrontPage 会自动在每个新单元格中添加一个<p>。

我想删除那些 inside 表格的<p> 标记，但保留表格外部的标记。到目前为止，我尝试了 2 种方法：

第一种方法

第一种方法是使用单个 RegEx tp 捕获表中的每个 <p> 标记，然后到 Regex.Replace() 将它们删除。但是，我从未设法为此获得正确的 RegEx。 （我知道用 RegEx 解析 HTML 很糟糕。我认为数据很简单，可以将 RegEx 应用于它）。

我可以使用这个正则表达式很容易地得到每个表中的所有内容：<table.*?>(.*?)</table>

然后我只想获取<p> 标签，所以我写了这个：(?<=<table.*?>)(<p>)(?=</table>)。这不匹配任何东西。 （显然 .NET 允许在它们的后视中使用量词。至少这是我在使用 http://regexhero.net/tester/ 时的印象）

我可以通过什么方式修改此 RegEx 以仅捕获我需要的内容？

第二种方法

第二种方法是仅将表格内容捕获到一个字符串中，然后String.Replace() 删除<p> 标记。我正在使用以下代码来捕获匹配项：

MatchCollection tablematch = Regex.Matches(htmlSource, @"<table.*?>(.*?)</table>", RegexOptions.Singleline);

htmlSource 是一个包含整个 HTML 页面的字符串，这个变量是处理后将发送回客户端的内容。我只想从htmlSource 中删除我需要删除的内容。

如何使用 MatchCollection 删除 <p> 标签，然后将更新后的表格发送回 htmlSource？

谢谢

Answer 1

此答案基于第二种建议的方法。更改正则表达式以匹配表内的所有内容：

<table.*?table>

并使用 Regex.Replace 指定 MatchEvaluator 以进行所需的替换：

Regex myRegex = new Regex(@"<table.*?table>", RegexOptions.Singleline);
string replaced = myRegex.Replace(htmlSource, m=> m.Value.Replace("<p>",""));
Console.WriteLine(replaced);

使用问题输入输出：

<b>Table 1</b>
    <table class='class1'>
    <tr>
    <td>
        Procedure Name</td>
    <td>
        Procedure</td>
    </tr>
    </table>
<p><b>Table 2</b></p>
    <table class='class2'>
    <tr>
        <td>
        Procedure Name</td>
        <td>
        Procedure</td>
    </tr>
    </table>
<p> Some text is here</p>

Answer 2

我猜可以通过使用委托（回调）来完成。

string html = @"
<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      <p>Procedure Name</td>
    <td>
        <p>Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        <p>Procedure Name</td>
        <td>
        <p>Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>
";

Regex RxTable = new Regex( @"(?s)(<table[^>]*>)(.+?)(</table\s*>)" );
Regex RxP = new Regex( @"<p>" );

string htmlNew = RxTable.Replace( 
    html,
    delegate(Match match)
    {
       return match.Groups[1].Value + RxP.Replace(match.Groups[2].Value, "") + match.Groups[3].Value;
    }
);
Console.WriteLine( htmlNew );

输出：

<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      Procedure Name</td>
    <td>
        Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        Procedure Name</td>
        <td>
        Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>

Answer 3

通常正则表达式允许您使用嵌套结构，它非常难看，您应该避免使用它，但如果您没有其他选择，您可以使用它。

static void Main()
{
    string s = 
@"A()
{
    for()
    {
    }
    do
    {
    }
}
B()
{
    for()
    {
    }   
}
C()
{
    for()
    {
        for()
        {
        }
    }   
}";

    var r = new Regex(@"  
                      {                       
                          (                 
                              [^{}]           # everything except braces { }   
                              |
                              (?<open>  { )   # if { then push
                              |
                              (?<-open> } )   # if } then pop
                          )+
                          (?(open)(?!))       # true if stack is empty
                      }                                                                  

                    ", RegexOptions.IgnorePatternWhitespace | RegexOptions.ExplicitCapture);

    int counter = 0;

    foreach (Match m in r.Matches(s))
        Console.WriteLine("Outer block #{0}\r\n{1}", ++counter, m.Value);

    Console.Read();
}

这里的正则表达式“知道”块的开始位置和结束位置，因此如果<p> 标记不适合关闭标记，您可以使用此信息删除它。