使用 RegEx（Perl 样式）选择不包含在另一个标签中的第一个段落标签答案

【问题标题】：Select the first paragraph tag not contained in within another tag using RegEx (Perl-style)使用 RegEx（Perl 样式）选择不包含在另一个标签中的第一个段落标签
【发布时间】：2012-01-19 19:04:12
【问题描述】：

我有这个 html 块：

<div>
  <p>First, nested paragraph</p>
</div>
<p>First, non-nested paragraph.</p>
<p>Second paragraph.</p>
<p>Last paragraph.</p>

我正在尝试选择该块中的第一个非嵌套段落。我正在使用 PHP（perl 风格）的 preg_match 来查找它，但似乎无法弄清楚如何忽略 div 中包含的 p 标签。

这是我目前所拥有的，但它选择了上面包含的第一段的内容。

/<p>(.+?)<\/p>/is

谢谢！

编辑

不幸的是，我没有 DOM Parser 的奢侈。

我非常感谢不使用 RegEx 解析 HTML 的建议，但这并没有真正帮助我的特定用例。我有一个非常受控的情况，内部应用程序生成结构化文本。如果某些文本匹配某个模式，我正在尝试替换它。这是一个简化的案例，我试图忽略嵌套在其他文本中的文本，而 HTML 是我能想到解释的最简单的案例。我的实际案例看起来有点像这样（但更多的数据和缩小）：

#[BILLINGCODE|12345|11|15|2001|15|26|50]#
[ITEM1|{{Escaped Description}}|1|1|4031|NONE|15]
#[{{Additional Details }}]#
[ITEM2|{{Escaped Description}}|3|1|7331|NONE|15]
[ITEM3|{{Escaped Description}}|1|1|9431|NONE|15]
[ITEM4|{{Escaped Description}}|1|1|5131|NONE|15]

我必须将某些行的某一列重新格式化为大量类似的行。帮助我的第一个问题将有助于实际项目。

【问题讨论】：

笑话链接一次相关！（请注意，不要重复）
我假设您发布的块包含在其他元素中？
询问如何使用正则表达式解析 HTML？你会因此被活活吃掉……不过说真的，DOMDocument 会在这里做得更好。
嵌套段落总是缩进吗？段落只会跨越一行吗？在那一行上只会有一个段落吗？如果是这样，只需在行首查找开始标签并匹配整行。 /^<p>.+/m 如果这还不够，请详细说明您的要求。
添加了说明。我有一些非常混乱的数据要挖掘，因此非常感谢非开玩笑的答案。

标签： php regex perl

【解决方案1】：

您的正则表达式不起作用。即使您只有非嵌套段落，您的捕获括号也会匹配 First, non-nested ... Last paragraph.。

试试：

<([^>]+)>([^<]*<(?!/?\1)[^<]*)*<\1>

如果\1 是p，则获取\2。

但是，恕我直言，HTML 解析器会做得更好。

【讨论】：

试运行，肯定会选择“第一，嵌套段落”。 ——“第一，非嵌套……最后一段。”如果您选择“？”，将被选中我所拥有的
糟糕，是的，我没有看到?。但是我讨厌懒惰的量词，也许我只是没有在脑海中看到它；）
感谢您的相关回答，我添加了一些说明，以便更清楚地了解为什么我使用 HTML 示例来解决这个问题。我正在使用您的示例并取得进展。谢谢。
虽然我看到了您的数据，但我想知道您为什么首先尝试匹配您不感兴趣的行？分治...
如果它们实际上在单独的行上，他们会这样做：/ 很多这种混乱被缩小了，其中一些文件是单行的。一团糟。尽管我可能必须执行几个步骤（如您所说，分而治之）才能充分理解其中一些文件。我没有将我的整个解析任务介绍给 SO，而是介绍了示例。 ]s 和结束 #s 基本上可以被视为换行符。

【解决方案2】：

这样的事情怎么样？

<p>([^<>]+)<\/p>(?=(<[^\/]|$))

进行前瞻以确保它不在结束标记内；但可以在字符串的末尾。可能有更好的方法来查找段落标签中的内容，但您需要避免过于贪婪（.+? 不够）。

【讨论】：

【解决方案3】：

使用二三步流程。首先，祈祷一切都很好。其次，~~首先，~~删除所有嵌套的内容。

s{<div>.*?</div>}{}g;         # HTML example
s/#.*?#//g;                   # 2nd example

然后得到你的结果。剩下的所有内容现在都没有嵌套。

$result = m{<p>(.*?)</p>};    # HTML example
$result = m{\[(.*?)\]};       # 2nd example

（这是 Perl。不知道在 PHP 中会有什么不同）。

【讨论】：

【解决方案4】：

“你不应该使用正则表达式来解析 HTML。”

这是每个人都说的，但没有人真正提供如何实际去做的例子，他们只是宣扬它。好吧，感谢Levi Morrison 的一些激励，我决定阅读DomDocument 并弄清楚如何去做。

对于所有说“哦，学习解析器太难了，我只会使用正则表达式”的人。好吧，我以前从来没有用过 DomDocument 或 XPath，这花了我 10 分钟。去阅读 DomDocument 上的文档并按照你应该的方式解析 HTML。 p>

$myHtml = <<<MARKUP
   <html>
       <head>
            <title>something</title></head>
       <body>
            <div>
                <p>not valid</p>
            </div>
            <p>is valid</p>
            <p>is not valid</p>
            <p>is not valid either</p>
            <div>
                <p>definitely not valid</p>
            </div>
       </body>
   </html>
MARKUP;

$DomDocument = new DOMDocument();
$DomDocument->loadHTML($myHtml);
$DomXPath = new DOMXPath($DomDocument);
$nodeList = $DomXPath->query('body/p');
$yourNode = $DomDocument->saveHtml($nodeList->item(0));

var_dump($yourNode)

// output '<p>is valid</p>'

【讨论】：

【解决方案5】：

您可能想看看 this post 关于使用 Regex 解析 HTML。

因为 HTML 不是一种正则语言（正则表达式也是），所以您不能使用 Regex 删除任意 HTML 块。使用 HTML 解析器，它会比尝试拼凑一些正则表达式更顺利地完成工作。

【讨论】：

（不否认任何人的娱乐。但即使是非开玩笑的答案也大多是错误的。所以请在标记主题时作为评论或社区维基发表）。正则表达式，尽管有名称，但不是正则表达式。它们是上下文无关的。只是努力是 prohibitive 使其对任意 html 都可靠。