正则表达式从 HTML 字符串中删除大于 > 和小于 < 字符，忽略现有标签

Question

我对正则表达式没有太多经验，并且有一个问题，我需要用< 和> 替换所有> 和< 实例，但要保留HTML 标记。

例如：

String string =" <p class=\"anotherClass\"> Here is some text the value is for H<sub>2</sub>O is > 1 and < 100 <p>";
//need to be converted to:
<p class=\"anotherClass\"> Here is some text the value is for H<sub>2</sub>O is  &gt; 1 and  &lt; 100 <p>";

我尝试了一些外观和前后表达式，但我似乎无法让它们中的任何一个起作用。例如：

String string =" <p class=\"anotherClass\"> Here is some text the value is for H<sub>2</sub>) is > 1 and < 100 <p>";

String reg1="<(?=[^>\\/]*<\\/)";


Pattern p1 = Pattern.compile(reg1);

test = p1.matcher(string).replaceAll("&lt;");

似乎没有任何作用。

我想知道以前是否有其他人遇到过这种情况，或者是否有人可以给我任何指导？

Answer 1

单独使用正则表达式来“解析”HTML 标记会带来一些严重的警告，SA 上的许多人都对此发表了评论。但是，您的要求相对温和。

标签之间的裸<符号可以用<(?=[^>]*(?:<|$))找到并替换为<。

标签之间的裸>符号可以用((?:^|>)[^<]*?)>找到并替换为\1>。

请注意，两者都必须在整个字符串上完成（而不是按行）。例如。 . 必须匹配 \n，^ 必须匹配字符串的开头（不是行），$ 必须匹配字符串的结尾（不是行）。

另请注意，每个都必须执行多次，直到没有结果为止，因为标签之间一次只能进行一次替换。

注意事项：

• 这只会查找和替换杂散的< 或> 符号这标签之间，而不是标签本身。这意味着它会搞砸像<a href="/link/with/</symbol/in/it"> 这样的东西。
• 如果可行，您应该让人工检查生成的更改的有效性，或者至少通过自动检查器运行。
• 这些正则表达式耗时，因此如果速度是一个问题，可能不实用。

为了重申其他人的观点，如果使用不受信任的输入进行任何工作，请考虑使用标记解析器。

Answer 2

如果所有< 和>仅出现在其转义版本（< 和>）中，您将能够使用正则表达式匹配和删除它们。

但如果不是（这似乎是您的情况），由于 HTML/XML 标记的嵌套性质，最终您无法仅使用正则表达式以 100% 的准确度进行匹配。

最好的选择是 HTML 解析器，例如 jsoup：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
public class JsoupExtractGtLt {
    public static void main(String[] args) {
        String html = "<p class=\"anotherClass\"> Here is some text the value is for H<sub>2</sub>) is > 1 and < 100 <p>";
        Document doc = Jsoup.parseBodyFragment(html);
        String parsedHTML = doc.body().unwrap().toString();
        System.out.println(parsedHTML);
    }
}

输出：

 <p class="anotherClass"> Here is some text the value is for H<sub>2</sub>) is &gt; 1 and &lt; 100 </p>