正则表达式去除文档类型声明

Question

我正在寻找一个正则表达式，以从一组XML文档中删除以下doctype声明：

<!DOCTYPE refentry [ <!ENTITY % mathent SYSTEM "math.ent"> %mathent; ]>

<!DOCTYPE book PUBLIC "-//OASIS//DTD DocBook MathML Module V1.1b1//EN"
          "http://www.oasis-open.org/docbook/xml/mathml/1.1CR1/dbmathml.dtd">

这是stackoverflow等平台上非常常见的问题，但是所有的答案都无法处理两种情况。

我的天真想法是<!DOCTYPE((.|\n|\r)*?)(\"|])>可以正确匹配第二种情况，但却在第一种情况下失败(它在第一个">停止并留下了%mathen; ]>未匹配)。如果我尝试让正则表达式更贪婪一点，它将尝试消耗整个文档。

完整的测试用例:

• 第一个
• 第二个

- The Fiddler

Answer 1

编辑：修正了评论匹配，感谢TheFiddler

嗯，你可以使用类似下面这样（并不是完全优美的）方法：

<!DOCTYPE[^>[]*(\[[^]]*\])?>

它匹配一个<!和直到>或[的所有内容，后跟由[]包围的可选部分，最后跟一个>。

用于测试的JSfiddle。

更多细节；

<!DOCTYPE     -- matches the string <!DOCTYPE
[^>[]*        -- matches anything up to a > or [
(\[[^]]*\])?  -- matches an optional section surrounded by []
>             -- matches the string >

- Joachim Isaksson

---

如果文档中的任何其他位置都有 ] 和 >，那么贪婪匹配将匹配太多。此外，即使它起作用，贪婪匹配也必须回溯。最好使用懒惰匹配。 - ErikE

这也将匹配文档中的<!-- -->注释（请检查我的问题中的xml测试文件）。然而，对<!DOCTYPE[^>[]*(\[[^]]*\])?>进行小改动似乎能够按预期工作，所以除非有更好的答案，否则我会接受这个 :) - The Fiddler

@TheFiddler 哦，是的，我漏了那个。已经更新了答案。 - Joachim Isaksson

@TheFiddler 说实话，你不必转义闭合的方括号 ]。 - ErikE

Answer 2

我建议使用以下正则表达式：

 <!DOCTYPE.*(\[[\s\S]*?\])?>

尝试使用这个链接

- Bikash Prusty