正则表达式过滤一些特定的标签答案

【问题标题】：RegEx to Filter some specific tags正则表达式过滤一些特定的标签
【发布时间】：2015-09-19 04:06:05
【问题描述】：

我正在开发一个 ASP 代码，它可以读取外部网站并通过 HTMLDocument 接口对象（“HTMLFILE”对象）对其进行解析，以通过 DOM 结构导航内容。但是有些页面会抛出错误：

'htmlfile 错误 80070057 参数无效。'

经过大量研究，我发现有一些 HTML 标签，我不知道为什么，没有被 HTMLFILE 对象正确呈现或管理，给我这个错误。

因为 ASP 太老了，而且今天没有太多内容可供探索，我确信我必须在发送到 HTMLFILE 对象之前对其进行解析，而我认为最好的方法是通过 RegEx .

但我面临一些问题（而且因为我没有太多练习）。

我必须成功找到“HTMLFILE”不接受的 HTML 标记块才能将其删除。

例如：

<head>
<script> .......  </script>
<style> ....... </style>
</head>
<body>
<iframe> ........ </iframe>
<div> ..... </div>
<table>.....</table>

我必须匹配完整的脚本块、样式和 iframe，保持文档的其余部分完好无损。

从最近几天开始，我一直在做一些研究，并且几乎完成了：

<(?:script|embed|object|frameset|frame|iframe|meta|style).+(.|\s)*?>$

我尝试匹配单行标签（例如'
'），但我现在完全糊涂了，其中存在一些不一致之处，例如，关闭某些标签的某些行选择不正确。

我知道最好的方法是找出为什么 HTMLFILE 让我出错，但是没有更多关于错误的信息来调试它。

感谢所有的时间和耐心。

【问题讨论】：

【解决方案1】：

这是正则表达式候选：

<(script|meta|style|embed|object|frameset|frame|iframe)[\s\S]*?<\/(script|meta|style|embed|object|frameset|frame|iframe)>

DEMO有解释

编辑
更新 [\s\S]*? 的惰性匹配

【讨论】：

【解决方案2】：

正则表达式不是最好的工具，take a look here，但如果你真的想要，我认为在简单的情况下你也可以对所有标签使用一个正则表达式，也可以嵌套：

(?=(<([^>]+)>([\s\S]*?)<\/\2>))

第 1 组显示整个捕获的部分，第 2 组仅捕获标记，第 3 组捕获标记的内容。它实际上并不匹配文本，只捕获一些片段。但是，您可能可以获得匹配的开始/结束索引，并根据需要使用。

我仍然认为你应该重新考虑使用正则表达式，但是上面使用的 suntex 非常有用，所以值得知道如何使用它。

【讨论】：