如何使用正则表达式通过类名删除整个HTML标签（及其内容）？

Question

我对正则表达式不是很熟练，但正在学习。

我想通过类名删除一些HTML标记。目前为止，我的代码如下：

<div class="footer".*?>(.*?)</div>

第一个 .*? 是因为它可能包含其他属性，第二个是因为它可能包含其他HTML内容。

我做错了什么？我尝试了很多设置但都没有成功。

更新

DIV内部可以包含多行文本，并且我正在使用Perl正则表达式进行操作。

- Daok

---

你使用的目标语言是什么？ - toolkit

我添加了Perl，但我可能需要在C#中使用它。 - Patrick Desjardins

Answer 1

正如其他人所说，使用正则表达式处理HTML非常棘手，DOM方法可能更好。例如：

use HTML::TreeBuilder::XPath;

my $tree = HTML::TreeBuilder::XPath->new;
$tree->parse_file( 'yourdocument.html' );

for my $node ( $tree->findnodes( '//*[@class="footer"]' ) ) {
    $node->replace_with_content;   # delete element, but not the children
}

print $tree->as_HTML;

- Yanick

---

为了删除元素及其子元素，请将'replace_with_content'替换为'detach'。 - Yanick

Answer 2

在 div 标签中，您还需要允许其他事项在类之前。

<div[^>]*class="footer"[^>]*>(.*?)</div>

此外，要不区分大小写地进行操作。您可能需要转义引号或关闭标签中的斜杠等字符。您正在执行什么上下文操作？另外请注意，使用正则表达式解析HTML可能会非常复杂，这取决于输入情况。下面的答案提出了一个很好的观点-假设您有以下结构：

<div>
    <div class="footer">
        <div>Hi!</div>
    </div>
</div>

试图为此构建正则表达式是一种灾难性的做法。你最好将文档加载到DOM中，并对其进行操作。

伪代码应该与XML::DOM密切相关：

document = //load document
divs = document.getElementsByTagName("div");
for(div in divs) {
    if(div.getAttributes["class"] == "footer") {
        parent = div.getParent();
        for(child in div.getChildren()) {
            // filter attribute types?
            parent.insertBefore(div, child);
        }
        parent.removeChild(div);
    }
}

---

这里有一个Perl库，HTML:: DOM, 还有另一个XML::DOM。.NET内置了处理DOM解析的库。

- Chris Marasti-Georg

---

当所有HTML在同一行中时，它可以工作，但缩进后就无法工作。为什么在 "footer" 中要使用 [^>] ？ - Patrick Desjardins

使正则表达式确定性。大多数引擎可以处理不确定性，但有时会产生意外的结果。从技术上讲，在 [^>] 和 [c] 之间仍然存在非确定性问题，但它不太重要。 - Daniel Spiewak

寻找除了闭括号之外的任何内容 - Chris Marasti-Georg

Answer 3

<div[^>]*class="footer"[^>]*>(.*?)</div>

对我来说有效，但需要在特殊字符前使用反斜杠

<div[^>]*class=\"footer\"[^>]*>(.*?)<\/div>

- Michelle

Answer 4

在Perl中，您需要使用/s修饰符，否则点号将无法匹配换行符。

话虽如此，使用适当的HTML或XML解析器来删除HTML文件中不需要的部分更为合适。

- moritz

Answer 5

部分取决于您使用的正则表达式引擎 - 使用的语言等。但一个可能性是您需要转义引号和/或斜杠。您还可以将其设置为不区分大小写。

<div class=\"footer\".*?>(.*?)<\/div>

否则请说明您正在使用的语言/平台——.NET、Java、Perl等。

- mish

---

请注意，此处需要使用 /s 选项，因为其中某些字符可能是换行符。 - brian d foy

Answer 6

试试这个：

<([^\s]+).*?class="footer".*?>([.\n]*?)</([^\s]+)>

你最大的问题可能会是嵌套标签。例如：

<div class="footer"><b></b></div>

给定的正则表达式将匹配到所有内容，直到</b>，留下</div>悬挂在末尾。你需要假设你要查找的标签没有嵌套元素，或者你需要使用一些从HTML到DOM的解析器和XPath查询来删除整个子树。

- Daniel Spiewak

---

你可以在正则表达式的末尾使用第一个捕获组的反向引用... - Chris Marasti-Georg

给定的正则表达式不会匹配中间的标记。div标记内的惰性量词将在div结尾处的>停止匹配。因此，粗体标记将被(.*?)匹配，这正是我想要的。 - Hamish Downer

嗯，它要么太懒惰了，要么太贪心了。另一个答案给出了一个贪心匹配一个太多的闭合标签的例子。正则表达式对于这种情况来说并不足够强大。 - Daniel Spiewak

Answer 7

这将会很棘手，因为正则表达式的贪婪性，（请注意我的例子可能是特定于perl的，但我知道贪婪性是REs的一个普遍问题。）第二个.*?将尽可能匹配到</div>之前的所有内容，所以如果你有以下内容：

<div class="SomethingElse"><div class="footer"> stuff </div></div>

表达式将匹配：

<div class="footer"> stuff </div></div>

这不太可能是你想要的。

- Graeme Perrow

Answer 8

为什么不使用 <div class="footer".*?</div> 呢？我也不是正则表达式专家，但我认为你不需要指定最后一个括号来匹配开放的 div 标签。

- Nick

---

也许他想捕获 div 的内容？ - Chris Marasti-Georg

是的，他说他想删除标签，而不是内容。 - Hamish Downer

那个正则表达式将捕获整个网页中第一个<div class="footer">和最后一个</div>之间的所有内容（除非perl函数没有使用它的多行模式）。 - user1228