如何使用正则表达式按其类删除整个 HTML 标记（及其内容）？答案

【问题标题】：How can I remove an entire HTML tag (and its contents) by its class using a regex?如何使用正则表达式按其类删除整个 HTML 标记（及其内容）？
【发布时间】：2010-09-18 14:24:34
【问题描述】：

我不太擅长正则表达式，但我正在学习。

我想通过类名删除一些 html 标记。这是我到目前为止所拥有的：

<div class="footer".*?>(.*?)</div>

第一个 .*?是因为它可能包含其他属性，其次是它可能包含其他 html 内容。

我做错了什么？我试了很多套都没有成功。

更新

在 DIV 内部，它可以包含多行，我正在使用 Perl 正则表达式。

【问题讨论】：

你使用什么目标语言？
我添加了 Perl，但我可能在 C# 中需要它

标签： html regex perl filter

【解决方案1】：

正如其他人所说，使用正则表达式处理 HTML 是出了名的棘手，而 DOM 方法可能会更好。例如：

use HTML::TreeBuilder::XPath;

my $tree = HTML::TreeBuilder::XPath->new;
$tree->parse_file( 'yourdocument.html' );

for my $node ( $tree->findnodes( '//*[@class="footer"]' ) ) {
    $node->replace_with_content;   # delete element, but not the children
}

print $tree->as_HTML;

【讨论】：

要删除元素及其子元素，请将 'replace_with_content' 替换为 'detach'。

【解决方案2】：

您还需要在 div 标签中允许在上课前进行其他操作

<div[^>]*class="footer"[^>]*>(.*?)</div>

另外，不区分大小写。您可能需要转义引号或结束标记中的斜线等内容。你在什么背景下做这个？

还请注意，使用正则表达式解析 HTML 可能非常讨厌，具体取决于输入。下面的答案提出了一个很好的观点 - 假设您的结构如下：

<div>
    <div class="footer">
        <div>Hi!</div>
    </div>
</div>

试图为此构建正则表达式是灾难的根源。最好的办法是将文档加载到 DOM 中，然后对其执行操作。

应该紧密映射到 XML::DOM: 的伪代码：

document = //load document
divs = document.getElementsByTagName("div");
for(div in divs) {
    if(div.getAttributes["class"] == "footer") {
        parent = div.getParent();
        for(child in div.getChildren()) {
            // filter attribute types?
            parent.insertBefore(div, child);
        }
        parent.removeChild(div);
    }
}

这是一个 perl 库 HTML::DOM 和另一个 XML::DOM
.NET 具有处理 dom 解析的内置库。

【讨论】：

当所有 html 在同一行时有效，但在缩进时无效。为什么 [^>] in : "footer"[^>]?
使正则表达式具有确定性。大多数引擎可以毫无问题地处理不确定性，但有时会产生意想不到的结果。从技术上讲，[^>] 和 [c] 之间仍然存在不确定性问题，但并不那么重要。
寻找任何不是右括号的东西

【解决方案3】：

在 Perl 中，您需要 /s 修饰符，否则点将不匹配换行符。

也就是说，使用适当的 HTML 或 XML 解析器来删除 HTML 文件中不需要的部分更为合适。

【讨论】：

【解决方案4】：

<div[^>]*class="footer"[^>]*>(.*?)</div>

为我工作，但需要在特殊字符前使用反斜杠

<div[^>]*class=\"footer\"[^>]*>(.*?)<\/div>

【讨论】：

【解决方案5】：

部分取决于您使用的确切正则表达式引擎 - 哪种语言等。但一种可能性是您需要转义引号和/或正斜杠。您可能还希望使其不区分大小写。

<div class=\"footer\".*?>(.*?)<\/div>

否则请说明您使用的是什么语言/平台 - .NET、java、perl ...

【讨论】：

请注意，这里需要 /s 选项，因为其中一些字符可能是换行符。

【解决方案6】：

试试这个：

<([^\s]+).*?class="footer".*?>([.\n]*?)</([^\s]+)>

您最大的问题是嵌套标签。例如：

<div class="footer"><b></b></div>

给出的正则表达式将通过</b> 匹配所有内容，而</div> 则悬空。您必须假设您要查找的标签没有嵌套元素，或者您需要使用某种从 HTML 到 DOM 的解析器和 XPath 查询来删除整个子树。

【讨论】：

您可以在正则表达式末尾的第一个捕获的组上使用反向引用...
给定的正则表达式与中间标签不匹配。 div 标签内的惰性量词将在 div 末尾的 > 处停止匹配。因此，我认为粗体标签将与 (.*?) 匹配。
嗯，好吧，它要么太懒，要么太贪婪。另一个答案给出了一个贪婪地匹配一个 many 结束标签的例子。正则表达式对于这类事情还不够强大。

【解决方案7】：

由于正则表达式的贪婪，这将是棘手的，（请注意，我的示例可能特定于 perl，但我知道贪婪是 RE 的普遍问题。）第二个 @987654321 @ 将尽可能匹配</div> 之前，所以如果你有以下：

<div class="SomethingElse"><div class="footer"> stuff </div></div>

表达式将匹配：

<div class="footer"> stuff </div></div>

这可能不是你想要的。

【讨论】：

【解决方案8】：

为什么不<div class="footer".*?</div> 我也不是正则表达式专家，但我认为您不需要为打开的 div 标签指定最后一个括号

【讨论】：

也许他想抓取 div 的内容？
是的，他说他想删除标签，而不是内容。
该正则表达式将捕获整个网页的第一个
之间的所有内容（除非 perl 函数不使用多行）。