试图用 替换 、 、 标签答案

【问题标题】：Trying to replace , , tags with 试图用 替换 、 、 标签
【发布时间】：2017-09-24 13:41:49
【问题描述】：

我正在尝试将一堆 HTML 文档转换为 XML 合规性（通过 java 方法），并且有很多   标记（1）未关闭或（2）包含属性。由于某种原因，我使用的正则表达式没有解决包含属性的标签。代码如下：

htmlString = htmlString.replaceAll("(?i)<br *>", "<br/>");

此代码适用于文档中的所有  标签；它用  替换它们。但是，对于像

这样的标签

<BR style="PAGE-BREAK-BEFORE: always" clear=all>

它什么也没做。我希望所有 br 标记都为 ，无论转换前标记中的任何属性如何。

为了实现这一点，我需要向我的正则表达式添加什么？

【问题讨论】：

标签： java regex

【解决方案1】：

这个正则表达式会做你想做的事：<(BR|br)[^>]*>

这是一个工作示例：Regex101

【讨论】：

【解决方案2】：

您可能希望<br\b[^>]*> 匹配所有标签

以<br开头
在<br 之后有一个分词符（例如，您不会匹配<brown> 标记
包含任意数量的非> 字符，包括0
以> 结尾

【讨论】：

【解决方案3】：

您必须使用.* 而不是*：

htmlString.replaceAll("(?i)<br .*>", "<br/>")
//-----------------------------^^

因为：

* 匹配前面的字符或子表达式 0 次或多次。

和

.* 匹配任意字符零次或多次

所以对于你的情况：

String htmlString = "<BR style=\"PAGE-BREAK-BEFORE: always\" clear=all>";
System.out.println(htmlString.replaceAll("(?i)<br .*>", "<br/>"));

输出

<br/>

【讨论】：

.* 不是一个好主意。该模式将如何处理 Lorem ipsum dolor sit amet？

【解决方案4】：

使用正则表达式解析 HTML 不是一个好主意，因为 HTML 不是正则的。您应该使用正确的解析库，例如 NekoHTML。

NekoHTML 是一个简单的 HTML 扫描器和标签平衡器，它支持应用程序程序员解析 HTML 文档并访问使用标准 XML 接口的信息。解析器可以扫描 HTML 文件并“修复”人类（和计算机）的许多常见错误作者编写 HTML 文档。 NekoHTML 添加缺少的父级元素；自动关闭带有可选结束标签的元素；和可以处理不匹配的内联元素标签。

【讨论】：