正则表达式：仅当不是标签的一部分时才匹配字符串答案

【问题标题】：regex: match string only if not part of a tag正则表达式：仅当不是标签的一部分时才匹配字符串
【发布时间】：2009-09-02 08:38:49
【问题描述】：

我只在字符串不是 html 标记的一部分时才尝试匹配它。

例如在搜索字符串时：“abc”。 <a href="foo.html">abc def</a> 应该匹配 <p> foo bar foo abc foo bar</p> 应该匹配

但是 <a href="abc.html">foo</a> 不应该匹配。

感谢您的帮助！

【问题讨论】：

【解决方案1】：

我真的不会使用正则表达式来匹配 HTML，因为 HTML 不是常规的，并且有很多边缘情况会让你感到困惑。对于除了 最简单 的所有情况，我会使用 HTML 解析器（例如，this one 用于 PHP）。

【讨论】：

【解决方案2】：

无论如何，Brian 说得有道理，如果您想使用正则表达式，那就适合您的输入：

.*>[^<]*abc[^<]*<.*

【讨论】：

【解决方案3】：

我非常确信任何正则表达式都会在某些 CDATA 部分上中断。

【讨论】：

【解决方案4】：

您正在寻找的是 DOM 解析器。这将去除所有 HTML 并为您提供正在检查的页面的纯文本，然后您可以在其上进行匹配。不确定您的用例是什么，但我不假设您没有操作 DOM，否则您将使用 JavaScript。

如果您只是提取信息，请使用 The Simple HTML DOM Parser 之类的内容解析页面，然后与您可以从解析对象获取的纯文本进行匹配。

【讨论】：

【解决方案5】：

虽然我也同意Brian 的comment，但我经常使用正则表达式进行快速而肮脏的解析，对于你的情况，我会使用这样的东西：

s/[\r\n]//
s/<!\[CDATA\[.*?]]>//
s/</\n</
s/>/>\n/

s/^<.*//

剩下的只是文本（可能还有很多空白）。虽然这不是关于正则表达式，而是更多关于搜索和替换。

【讨论】：