JavaScript正则表达式：匹配非HTML标签部分的文本

Question

我希望你能提供一个在node.js中可执行的正则表达式（不包括jQuery DOM处理等，因为标签可能有不同的嵌套），该表达式可以将所有不是HTML标签或其一部分的文本匹配成单独的组。

例如，我想从该字符串中匹配出“5”、“ELT.”、“SPR”、“ ”、“plo”、“Unterricht”、“ ”、“&nbsp”和“plo”。

<tr class='list even'>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <span style="color: #010101">5</span>
    </td>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <b><span style="color: #010101">ELT.</span></b>
    </td>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <b><span style="color: #010101">SPR</span></b>
    </td>
    <td class="list" style="background-color: #FFFFFF" >&nbsp;</td>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <strike><span style="color: #010101">pio</span></strike>
    </td>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <span style="color: #010101">Unterricht</span>
    </td>
    <td class="list" style="background-color: #FFFFFF" >&nbsp;</td>
    <td class="list" style="background-color: #FFFFFF" >&nbsp;</td>
    <td class="list" align="center" style="background-color: #FFFFFF" >
        <b><span style="color: #010101">pio</span></b>
    </td>
</tr>

我可以保证标签内没有">"。

我找到的解决方案是(?<=^|>)[^><]+?(?=<|$)，但在node.js中无法使用（可能是因为lookaheads？它说“无效组”）。

有什么建议吗？（是的，我真的认为正则表达式是正确的方法，因为HTML可能以不同的方式嵌套，并且内容始终具有相同的顺序，因为它是一个表格）

- iStefo

---

我喜欢链接到这个网址 https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - NimChimpsky

这是您正在寻找的吗？https://dev59.com/k3RA5IYBdhLWcg3wzhNY - Rusty Fausak

你不能使用正则表达式来解析HTML（这就是@NimChimpsky给你的链接的重点），因为HTML不是一种正则语言。任何试图仅使用正则表达式来解析HTML的尝试都将失败。你别无选择，只能实际解析HTML。 - T.J. Crowder

我认为我链接的问题中第二个答案有这样的解决方案。 - Rusty Fausak

至于问题本身... iStefo，JS中的前瞻工作正常 - 问题在于后顾。因此，您可以匹配 (?:^|>)[^<>]+(?=<|$)，然后对每个项目将 ^> 替换为空字符串 - 当然，要记住正则表达式并不保证是做到这一点的最佳方法，并且在输入不可预测时，您几乎肯定会在某些时候得到不正确的匹配。 - Peter Boughton

Answer 1

尝试使用 'yourhtml'.replace(/(<[^>]*>)/g,' ')

'<tr class="list even"><td class="list" align="center" style="background-color: #FFFFFF" ><span style="color: #010101">5</span></td><td class="list" align="center" style="background-color: #FFFFFF" ><b><span style="color: #010101">ELT.</span></b></td><td class="list" align="center" style="background-color: #FFFFFF" ><b><span style="color: #010101">SPR</span></b></td><td class="list" style="background-color: #FFFFFF" > </td><td class="list" align="center" style="background-color: #FFFFFF" ><strike><span style="color: #010101">pio</span></strike></td><td class="list" align="center" style="background-color: #FFFFFF" ><span style="color: #010101">Unterricht</span></td><td class="list" style="background-color: #FFFFFF" > </td><td class="list" style="background-color: #FFFFFF" > </td><td class="list" align="center" style="background-color: #FFFFFF" ><b><span style="color: #010101">pio</span></b></td></tr>'.replace(/(<[^>]*>)/g,' ')

这将给出一个以空格分隔的文本，您可以在空格上拆分它（以匹配所需内容）。

- Narendra Yadala

---

好的，我会这样做，谢谢。但是我会使用一个漂亮的UTF-8字符或其他东西，因为我认为我的值可能也包含空格... - iStefo

Answer 2

也许你可以直接使用标签本身来分割：

html.split(/<.*?>/)

接下来你需要从结果中移除空字符串。

- Howard