正则表达式替换文本但在文本位于特定标签之间时排除

Question

我有以下字符串：

Lorem ipsum Test dolor sit amet, consetetur sadipscing elitr, sed diam nonumy <a href="http://Test.com/url">Test</a> eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd sed Test dolores et ea rebum. Stet clita kasd gubergren, no sea <a href="http://url.com">Test xyz</a> takimata sanctus est Lorem ipsum dolor sit amet.

现在我将替​​换标签之外的字符串“Test”而不是标签之间的字符串（例如，替换为“1234”）。

Lorem ipsum 1234 dolor sit amet, consetetur sadipscing elitr, sed diam nonumy <a href="http://Test.com/url">Test</a> eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd sed 1234 dolores et ea rebum. Stet clita kasd gubergren, no sea <a href="http://url.com">Test xyz</a> takimata sanctus est Lorem ipsum dolor sit amet.

我从这个正则表达式开始：(?!<a[^>]*>)(Test)([^<])(?!</a>)

但是有两个问题没有解决：

1. 标签中的文本“测试”也被替换（例如<a href="http://Test.com/url">）
2. 标签之间的文本是否与搜索的文本不完全匹配，也会被替换（例如<a href="http://url">Test xyz</a>）

我希望有人有办法解决这个问题。

Answer 1

回答

使用

(Test)(?!(.(?!<a))*</a>)

说明

让我提醒你一些符号的含义：

1) ?! 是negative lookahead，例如r(?!d) 选择所有r 后面没有直接跟d 的@：

2) 因此，永远不要在没有字符的情况下开始负前瞻。只是(?!d) 没有意义：

3) ? 可以用作惰性匹配。例如.+E 会选择

123EEE

整个字符串123EEE。但是，.+?E 根据需要选择尽可能少的“任何字符”(.+)。它只会选择123E。

答案：

Protist 的答案是你应该使用(?!<a[^>]*?>)(Test)(?![^<]*?</a>)。让我先解释一下如何缩短它。

如 2) 中所述，在比赛前进行前瞻是没有意义的。所以以下相当于原生答案：

(Test)(?![^<]*?</a>)

同样由于<不被允许，懒惰匹配?是多余的，所以它也等价于

(Test)(?![^<]*</a>)

这将选择所有 Test 后面没有 </a> 且两者之间没有符号 <。这就是出现在任何<a ...> .. </a> 之前或之后的Test 将被替换的原因。

但是，请注意

Lorem Test dolor <a href="http://Test.com/url">Test <strong>dolor</strong></a> eirmod

将改为

Lorem 1234 dolor <a href="http://1234.com/url">1234 <strong>dolor</strong></a> eirmod 

为了捕捉到你可以将你的正则表达式更改为

(Test)(?!(.(?!<a))*</a>)

执行以下操作：

选择每个单词Test 后面没有字符串***</a>，其中*** 中的每个字符后面都没有<a。

请注意，点 . 很重要（参见 2））。

请注意，像 (Test)(?!(.(?!<a))*?</a>) 这样的惰性匹配是不相关的，因为嵌套链接在 HTML4 和 HTML5 中是非法的（比如 <a href="#">..<a href="#">...</a>..</a>)。

原生生物说

此外，不建议在原始 HTML 上使用正则表达式。

我同意这一点。一个问题是，如果标签没有关闭或打开，就会导致问题。例如这里提到的所有解决方案都会改变

Lorem Test dolor Test <strong>dolor</strong></a> eirmod

到

Lorem Test dolor Test <strong>dolor</strong></a> eirmod 1234 dolores sea 1234 takimata 

Answer 2

(?!<a[^>]*?>)(Test)(?![^<]*?</a>)

与 zb226 相同，但使用惰性匹配进行了优化

此外，不建议在原始 HTML 上使用正则表达式。

Answer 3

这应该可以解决问题：

(?!<a[^>]*>)(Test)(?![^<]*</a>)

自己试试on regexr.

跟进：正如Adam解释above，第一部分没有效果，可以完全放弃：

(Test)(?![^<]*</a>)

Answer 4

复活这个古老的问题，因为它有一个没有被提及的简单解决方案。

关于使用正则表达式解析 html 的所有免责声明，这里有一个简单的方法。

Perl / PCRE 方法

<a[^>]*>[^<]*<\/a(*SKIP)(*F)|Test

demo

一般解决方案

<a[^>]*>[^<]*<\/a|(Test)

在这个版本中，要替换的文本被捕获在第 1 组中，并通过简单的回调或 lambda 执行替换。

demo

参考

1. How to match pattern except in situations s1, s2, s3
2. 有关代码实现，请参见How to match a pattern unless... 中的代码示例

Answer 5

调整@protist 提出的解决方案，在这种情况下搜索短语并排除脚本标记内的任何匹配项：

(?!<script[^>]*?>)(\bTest Phrase\b)(?![^<]*?<\/script>)

Demo

Adam 提供的答案虽然更简洁，但执行起来需要更长的时间。这可以通过编辑此评论中已经提到的演示来证明。