正则表达式：匹配不在 HTML 标记内部和一部分的文本答案

【问题标题】：RegEx: Matching text that is not inside and part of a HTML tag正则表达式：匹配不在 HTML 标记内部和一部分的文本
【发布时间】：2011-09-28 05:59:09
【问题描述】：

如何匹配HTML标签外的所有内容？

我的伪 HTML 是：

<h1>aaa</h1>
bbb <img src="bla" /> ccc
<div>ddd</div>

我用的是正则表达式，

(?<=^|>)[^><]+?(?=<|$)

这会给我：“aaa bbb ccc ddd”

我所需要的只是一种忽略 HTML 标签的方法，返回：“bbb ccc”

【问题讨论】：

Can you provide some examples of why it is hard to parse XML and HTML with a regex?的可能重复
RegEx match open tags except XHTML self-contained tags的可能重复

标签： regex

【解决方案1】：

正则表达式是处理标记的笨重且不可靠的方式。我建议使用 DOM 解析器，例如 SimpleHtmlDom:

//get the textual content of all hyperlinks on specified page.
//you can use selectors, e.g. 'a.pretty' - see the docs
echo file_get_html('http://www.example.org')->find('a')->plaintext;

如果您想在客户端执行此操作，可以使用诸如 jQuery 之类的库，如下所示：

$('a').each(function() {
    alert($(this).text());
});

【讨论】：

【解决方案2】：

寻找一个合适的正则表达式来匹配完整的标签（例如在像http://regexlib.com/这样的库中）并使用替换运算符删除它们 s///。然后使用剩下的。

【讨论】：

我用过这个，但是这个表达式打错了：s/(\)(.*?)(\ )|(]*>)//|(?)[^>

【解决方案3】：

谢谢大家，

两者的表达将是肮脏的工作，但我想要相反的输出。

(\<(.*?)\>)(.*?)(\<\/(.*?)\>)|(<[a-zA-Z\/][^>]*>)

作为伪字符串：

<h1>aaa</h1>

bbb <img src="bla" /> ccc

<div>ddd</div> jhgvjhgjh zhg zt <div>ddd</div>

<div>dsada</div> hbhgjh

为简单起见，我使用this tool。

【讨论】：