正则表达式匹配不在 <a> 标记内的短语答案

【问题标题】：Regex to match a phrase that is not inside an <a> tag正则表达式匹配不在 <a> 标记内的短语
【发布时间】：2018-05-12 12:53:22
【问题描述】：

我有一些 HTML，我需要匹配一个不在 <a> 标记内的短语“我的短语”。

不应匹配的短语：

1. <a>My Phrase</a>
2. <a><strong>My Phrase</strong></a>

应该匹配的短语：

3. <strong>My Phrase</strong>
4. My Phrase

我的当前解决方案使用否定前瞻来查找后面没有结束 </a> 标记的匹配项：

My Phrase(?![^<]*>|[^<>]*<\/a)

https://regex101.com/r/n1d9KZ/1

正如您在示例中看到的那样，它适用于常规文本链接（案例 1），但在“a”标签内嵌套其他标签时会中断案例 2。

是否有人有适用于两者的负前瞻正则表达式？

我不能对诸如(?<!<a.*?>.*?)My Phrase(?!.*?<\/a>) 之类的正则表达式使用否定的lookbehind，因为我收到错误java.util.regex.PatternSyntaxException: Look-behind group does not have an obvious maximum length。我也不想解析 HTML 并删除所有当前的“a”标签，因为我需要保持 HTML 完整并将“My Phrase”替换为“Another Phrase”。

【问题讨论】：

jsoup 之类的库将大大减少 HTML 解析的麻烦。

标签： java html regex negative-lookahead

【解决方案1】：

您尝试做的事情并非微不足道，因为实际上不可能（只有 Jeff Dean 可以）使用 RegEx 完全处理 HTML。

因为可能到处都有新行，具有复杂的属性和嵌套或只是无效。

无论如何，在您的示例的情况下（没有 href，标签内和标签内没有新行），您可以执行以下操作：

result = text.replace(/^.*?(My Phrase).*?$/gm, function($0,$1) { 
    var regEx = new RegExp("(" + $1 + ")");
    return $0.indexOf('<a') >= 0 ? $0 : $0.replace(regEx, '<b>$1</b>');
});

我只是在示例中将匹配项加粗，但您可以在回调中做很多事情：https://jsfiddle.net/8Ls0qbvj/

【讨论】：