正则表达式转义非 html 标签的尖括号答案

【问题标题】：regex to escape non-html tags' angle brackets正则表达式转义非 html 标签的尖括号
【发布时间】：2010-03-22 15:36:56
【问题描述】：

我有一个基于 html 的文本（带有 html 标签），我想查找出现在尖括号内的单词，并用替换括号，甚至当尖括号用作数学符号时

例如：

String text= "Hello, <b> Whatever <br /> <table> <tr> <td width="300px"> 
              1 < 2 This is a <test> </td> </tr> </table>";

我希望这是：

Hello,  <b> Whatever <br /> <table>  <tr> <td width="300px"> 
1 &lt; 2 This is a &lt; test &gt; </td> </tr> </table>

提前致谢

【问题讨论】：

尝试使用正则表达式这样做只会导致挫败感。正则表达式不够“强大”，无法在所有情况下正确执行此操作。足够长的时间和一些具体的例子可能会起作用，但总的来说你会遇到麻烦。遵循 fraido 和其他人（如下）给出的建议，并使用专门设计用于处理 HTML 的工具。
正则表达式应该如何知道<test> 不是有效的HTML 标记？

标签： java regex

【解决方案1】：

我建议你使用Html Cleaner

如果您查看主页，该示例会准确显示文本是如何转义的。

<td><a href=index.html>1 -> Home Page</a>

在

中转换

<td>
   <a href="index.html">1 -&gt; Home Page</a>
</td>

它将规范化您的 html 以符合标准 xHtml。我过去使用过它，而且（恕我直言）它比 jTidy&Co 更可靠、更可靠。（当然最好使用正则表达式或替换策略...）

【讨论】：

【解决方案2】：

请参阅RegEx match open tags except XHTML self-contained tags 并且不要使用正则表达式来解析 html。使用 SGML 解析器，但不要使用正则表达式。它会经常失败。 HTML 不是常规语言。

【讨论】：

【解决方案3】：

如果没有 CSS、Javascript 和 CData 部分，它是可能的。

如果您只处理 HTML 的一个子集，您可以假设可以对未被有效元素标识符字符包围的尖括号进行编码。

类似 " "" -> ">"

但是，除非您自己生成 HTML 并且知道它没有嵌入的 CSS、javascript、CData 或对象部分...

正如 fraido 所说，不要对非正则语言使用正则表达式。

【讨论】：

【解决方案4】：

正如大家所说，您不应该依赖正则表达式来解析 HTML。他们根本做不到。但是，在我的例子中，我想捕获任何看起来不像在 HTML 标记中的尖括号，并将它们转义。由于事后一切都经过了消毒剂，因此安全性不是问题，结果只需要足够好就可以捕捉到大多数情况，而不是全部。

您需要一个支持零宽度前瞻断言的正则表达式库。就我而言，这是 Ruby 1.8 中的 Oniguruma。

为了匹配小于号 (

/<(?!(/?[A-Za-z_:0-9]+\s?/?>))/

匹配大于 (>) 符号更难。大多数库不支持可变长度的零宽度后向断言。所以你作弊：反转字符串，运行前瞻断言，然后将其反转回来，使用以下模式：

>(?!(/?\s?[A-Za-z_:0-9]+/?<))

所以，我的代码看起来有点像：

match_less_than = Oniguruma::ORegexp.new('<(?!(/?[A-Za-z_:0-9]+\s?/?>))')
match_less_than.gsub!(string, '&lt;')

match_greater_than = Oniguruma::ORegexp.new('>(?!(/?\s?[A-Za-z_:0-9]+/?<))')
string = match_greater_than.gsub(string.reverse, '&gt;'.reverse).reverse

讨厌，是吧？

【讨论】：