在忽略 HTML 标记的同时查找子字符串答案

【问题标题】：Finding substring whilst ignoring HTML tags在忽略 HTML 标记的同时查找子字符串
【发布时间】：2015-03-11 15:46:15
【问题描述】：

我需要匹配部分字符串，同时忽略 HTML 标记。这意味着如果用户想在源代码中查找字符串“foo and foo1”。

Two strings, <u>foo</u> and foo1

因为标签，他不会得到匹配。

我试过正则表达式，但是由于标签 can 和 don't have to be 在那里，它似乎太复杂了。

它不是服务器端脚本。这将是一个从控制台运行的应用程序。

更具体地说： 用于语法高亮。所以用户希望“foo and foo1”是斜体，但它的一部分已经下划线并且无论如何都不会匹配。这就是为什么我不能剥离字符串。

【问题讨论】：

您遇到的实际问题是什么？删除所有标签，以便用户可以匹配单词组合？
可能是一个 DOM 解析器，例如 DOMDocument
@stribizhev 不。未从文件中删除任何内容，但仍能找到字符串
@Croolman - 如果不制作去除标签的中间字符串，则无法完成。所以这就是你的答案。
@Croolman - 您可以调查 Google 在搜索时是如何进行的，然后选择 cached。显然有办法。可能使用 dom 获取内容，然后插入高亮，然后重构。

标签： php regex

【解决方案1】：

使用 PHP 函数 strip_tags 从文本中删除 HTML 标记。然后进行搜索。

http://php.net/manual/en/function.strip-tags.php

【讨论】：

这才是正道！
我需要它们。

【解决方案2】：

按照您的建议使用strip_tags，这确实是最好的方法。但是，如果您想玩得开心或尝试对您的正则表达式引擎进行基准测试:) 您可以在查询的每个符号通过后插入(?:<\/?[^>]+>)?，您将获得匹配，并且在查询的最开始（或开头标签不会被捕获）。

这里是一个“foo and foo1”的例子：

(?:<\/?[^>]+>)?f(?:<\/?[^>]+>)?o(?:<\/?[^>]+>)?o(?:<\/?[^>]+>)? (?:<\/?[^>]+>)?a(?:<\/?[^>]+>)?n(?:<\/?[^>]+>)?d(?:<\/?[^>]+>)? (?:<\/?[^>]+>)?f(?:<\/?[^>]+>)?o(?:<\/?[^>]+>)?o(?:<\/?[^>]+>)?1(?:<\/?[^>]+>)?

这将匹配<u>foo</u> and foo1。

https://regex101.com/r/aF8fJ8/4

【讨论】：

你会认为foo 和and bar 是原子的。
这太惊人了。问题是，如果搜索条件由正则表达式给出。
@Croolman：然后，您可以将其实现为纯文本搜索，并警告用户正则表达式选项限制。 :)
接受了较早的答案，因为那是正确的答案，尽管您对这个主题的详细说明。
@Croolman 我想这就是为什么我不能剥离字符串意味着你不能依赖strip_tags。没关系，你找到了出路。

【解决方案3】：

这个正则表达式会忽略 html 标签中的和斜线，只提取单词。

(?!</?[^>]+>)([a-zA-Z]+)

只需将 [a-zA-Z]+ 替换为您要匹配的内容即可。

【讨论】：

不要使用 Regex 解析 HTML。
这匹配中的所有内容