如何通过正则表达式“输出”文本答案

【问题标题】：How to get text "out of" by Regex如何通过正则表达式“输出”文本
【发布时间】：2012-06-01 12:40:35
【问题描述】：

我有一个小问题。我试图让文本从 html 元素中消失。示例输入：

I want this text I want this text I want this text <I don't want this text/>
I want this text I wan this text <I don't>want this</text>

有人知道正则表达式怎么可能吗？我认为我可以通过删除元素文本来实现。那么，有人知道这个问题的另一种解决方案吗？请帮帮我。

【问题讨论】：

所以你想要< ... />之外的所有东西
是的...但我也想在 <...>...

标签： c# .net regex text input

【解决方案1】：

使用像 HTML Agility Pack 这样的 HTML 解析器，而不是正则表达式 not suitable for parsing HTML in general（尤其是格式错误的 HTML）。

什么是 Html Agility Pack (HAP)？

这是一个敏捷的 HTML 解析器，它构建一个读/写 DOM 并支持普通的 XPATH 或 XSLT（实际上你不必了解 XPATH 或 XSLT 就可以使用它，不用担心......）。它是一个 .NET 代码库，可让您解析“网络之外”的 HTML 文件。解析器对“真实世界”格式错误的 HTML 非常宽容。对象模型与 System.Xml 的提议非常相似，但用于 HTML 文档（或流）。

【讨论】：

【解决方案2】：

我同意任何不重要的事情都应该使用 HTML 解析器来完成（如果您使用 .NET，Agility 包非常好），但对于小需求，因为这很可能是矫枉过正。再说一次，HTML 解析器更了解 HTML 充满的怪癖和边缘情况。请务必在使用正则表达式之前进行测试。

给你

<.*?>.*?<.*?>|<.*?/>

它也正确地忽略了

<I don't>want this</text>

不仅仅是标签

在 C# 中，这变成了

string resultString = null;
resultString = Regex.Replace(subjectString, "<.*?>.*?<.*?>|<.*?/>", "");

【讨论】：

更新：切换交替选项

【解决方案3】：

试试这个

(?<!<.*?)([^<>]+)

说明

@"
(?<!        # Assert that it is impossible to match the regex below with the match ending at this position (negative lookbehind)
   <           # Match the character “<” literally
   .           # Match any single character that is not a line break character
      *?          # Between zero and unlimited times, as few times as possible, expanding as needed (lazy)
)
(           # Match the regular expression below and capture its match into backreference number 1
   [^<>]       # Match a single character NOT present in the list “<>”
      +           # Between one and unlimited times, as many times as possible, giving back as needed (greedy)
)
"

【讨论】：

我会试试的。感谢您的快速响应。