【发布时间】：2019-04-17 20:43:25
【问题描述】：
我有一堆我连接的 html 文件，并且只想获取实际内容。 但是，我在为此找到正确的正则表达式时遇到了一些麻烦。基本上，我试图在某些边界之前、之间和之后删除所有内容。它有点类似于Regular expression to match a line that doesn't contain a word?，但我觉得更复杂。我运气不好。
源数据：
Stuff I dont need before
<div id="start">
blablabla11
blablabla12
<div id="end">
Stuff I dont need in the middle1
<div id="start">
blablabla21
blablabla22
<div id="end">
Stuff I dont need in the middle2
<div id="start">
blablabla31
blablabla32
<div id="end">
Stuff I dont need in the end
想要的结果：
<div id="start">
blablabla11
blablabla12
<div id="end">
<div id="start">
blablabla21
blablabla22
<div id="end">
<div id="start">
blablabla31
blablabla32
<div id="end">
上下文： 我正在使用 Sublime (Mac) -> Perl Regex
我目前的方法是基于反向匹配/正则表达式外观（我知道，围绕这个主题有很多关于措辞/方法/丑陋等的讨论，但是我不必在意，因为我需要完成工作）：
Find: (?s)^((?!(<div id="start">)(?s)(.*?)(<div id="end">)).)*$
Replace: $3
还有更多变体，我一直在测试和玩弄。 但是，它会产生：
blablabla11
blablabla12
<div id="start">
blablabla21
blablabla22
<div id="start">
blablabla31
blablabla32
<div id="start">
很好，但还没有。无论我在尝试什么，我都会遇到其他问题。我猜是菜鸟在工作。
非常感谢你们的帮助！
克里斯
编辑： 感谢您的第一个答案！但是我必须承认，我的最小示例有点误导（因为太容易了）。实际上，我面临着数百个复杂多样的 html 文件连接成一个大文件。 唯一的共同点是每个 html 文件的内容都以已知字符串（此处简化为 ）开头，并以已知字符串（此处简化为 ）结尾。而且这样的内容显然有很多不同的标签等。所以遗憾的是，仅仅测试打开和关闭标签不会削减它
【问题讨论】：
-
尝试
(?s).*?(<div id="start">.*?<div id="end">)(?:(?:(?!<div id="start">).)*$)?并替换为$1\n\n。见demo。 -
不确定 div 元素是什么，但你不能只使用
<div id="start">.*?<div id='end>这样的东西，它只是不能那样工作。此外，您只能使用正则表达式解析标签和不可见内容。您可以做的最好的事情是删除所有标签，但您不想这样做。 -
您使用什么语言或正则表达式引擎？我也许可以给你一个模板正则表达式，你可以把东西放进去。
-
@WiktorStribiżew - 你太棒了，伙计！起初我忽略了你的评论，但它完美地工作，即使在我的真实文件中也是如此。完美，多么酷！你能帮我理解 (?:(?:(?!).)*$) 吗？工作一天，我可以自己编写正则表达式而不是 C&P？ ;))现在让我发布解释。
标签： regex html-parsing regex-negation regex-lookarounds